JP7104609B2 - Numerical analyzer and method - Google Patents
Numerical analyzer and method Download PDFInfo
- Publication number
- JP7104609B2 JP7104609B2 JP2018215805A JP2018215805A JP7104609B2 JP 7104609 B2 JP7104609 B2 JP 7104609B2 JP 2018215805 A JP2018215805 A JP 2018215805A JP 2018215805 A JP2018215805 A JP 2018215805A JP 7104609 B2 JP7104609 B2 JP 7104609B2
- Authority
- JP
- Japan
- Prior art keywords
- meteorological
- prediction
- data
- numerical
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Description
本発明は数値解析装置及び方法に関し、数値解析値と解析誤差の推定値とを出力する数値解析システムであり、例えば、電力の需要及び又は供給を予測する数値解析での予測解析値と予測解析誤差の推定を行うシステムや、気象の気象数値予測とその予測値の誤差の推定を行うシステムに適用して好適なものである。 The present invention relates to a numerical analysis apparatus and method, and is a numerical analysis system that outputs numerical analysis values and estimated values of analysis errors. For example, predictive analysis values and predictive analysis in numerical analysis for predicting power demand and / or supply. It is suitable for a system that estimates the error and a system that estimates the meteorological numerical value of the weather and the error of the predicted value.
現象を解析して、将来の現象を予測することが行われている。例えば、気象では、大気の運動の支配方程式を解析し、解析により得た支配方程式に気象の観測データを用いた初期値を与え時間発展の解析値（予測値）を得ることで、数時間から数日先までの大気の状態の予測を行う気象数値予測が行われている。また、電力を供給する発電に関わり、日時変動する電力需要を解析し、１時間先、２時間先、３時間先、翌日、１週間先、１ヶ月先又は１年先など、さまざまな指定時間（時間断面）の需要を予測し、予測結果によって発電の計画及び制御する運用が行われている。また電力の送電系統に関しては、送電線に接続される発電ユニット及び負荷ユニットと、送電ユニットとの特性を解析し、いくつかの発電ユニットの出力割合を変えたときの電力系統の状態を事前推定することが行われている。ガスの精製でも同様にガス需要の予測とガス工場の運用計画が行われている。さらに空気調和（空調）については、室内の空気の運動の支配方程式を解析し、室内の空気の状態の予測を行うことで、外部との熱交換と大気の取り入れのための冷房機、換気扇、開閉窓の制御が行われている。 Phenomena are analyzed to predict future phenomena. For example, in meteorology, the governing equation of atmospheric motion is analyzed, and the governing equation obtained by the analysis is given an initial value using meteorological observation data to obtain an analysis value (predicted value) of time evolution from several hours. Numerical meteorological forecasts are being made to predict atmospheric conditions up to several days ahead. In addition, we analyze the power demand that fluctuates on the date and time related to the power generation that supplies power, and analyze various specified times such as 1 hour ahead, 2 hours ahead, 3 hours ahead, the next day, 1 week ahead, 1 month ahead, or 1 year ahead. Demand is predicted (time cross section), and power generation is planned and controlled according to the predicted results. Regarding the power transmission system, the characteristics of the power generation unit and load unit connected to the transmission line and the power transmission unit are analyzed, and the state of the power system when the output ratio of some power generation units is changed is estimated in advance. Is being done. In gas refining, gas demand forecasts and gas factory operation plans are also made. Furthermore, regarding air conditioning (air conditioning), by analyzing the governing equation of the movement of the air in the room and predicting the state of the air in the room, a cooler, a ventilation fan, for heat exchange with the outside and taking in the air, The opening and closing windows are controlled.
気象現象や、大気の現象、電力やガスのエネルギーの現象の解析及び／又は予測では誤差が発生し得る。そのため、解析の限界を想定し、誤差を許容した運用をしたり、誤差に関係するコンディションに応じて解析及び／又は予測の誤差を縮小する運用が必要となっている。 Errors can occur in the analysis and / or prediction of meteorological, atmospheric, and electric and gas energy phenomena. Therefore, it is necessary to assume the limit of analysis and perform an operation that allows an error, and an operation that reduces the error of analysis and / or prediction according to the condition related to the error.
特許文献１には、電力の気象の変動で需給予測が外れた場合に備えて確保しておくべき発電の量である要求調整量を、気象予測の誤差の実績の統計値から決定することが開示されている。これにより季節で大別した日ごとに、大よその気象予測（気象解析）の誤差に応じた発電機の運転の計画を行うことができる。
In
また、特許文献２には、気象解析の誤差が判明した場合に、解析計算のスタート時の初期条件を修正して再解析することが開示されている。これにより、当初の解析値よりも誤差が少ない再解析値を得ることができる場合がある。
Further,
ところが、特許文献１では、大気中の空気塊の配置の気象場の物理的特徴（時間発展の数値解析の初期条件として用いられることがある）や、気象予測の数値流体解析の特徴（例えば、解析終了時の格子データの値の並びに現れる）が考慮されていない。このため統計的に平均的な誤差を推定することはできるが、数値解析の誤差が拡大もしくは縮小する特異な現象が起きるときの誤差を正確に推定することが行い難いという問題がある。
However, in
また特許文献２では、観測値が連続的に得られ、継続的に解析と再解析を繰り返すときに、観測値に基づく初期条件の変更が可能となるが、観測データが入手できている観測時間帯と、解析値が欲しい解析時間帯とに隔たりがあるときには、解析誤差の検知が行い得ず、十分な解析精度の改善が行い難いという問題がある。
Further, in
従って、特許文献１及び特許文献２に開示された従来技術によっては、発生する解析誤差を予測したり、予測された解析誤差を縮小するような再解析を行ったりすることが十分にできないという問題がある。また、この問題から派生して、解析の限界を想定し、解析誤差を許容したエネルギーの運用の最適化を充分には行い難いという問題もある。
Therefore, according to the prior art disclosed in
本発明は以上の点を考慮してなされたもので、数値解析及び／又は数値予測の解析誤差の推定と、効果的な再解析を行い得る数値解析装置及び方法を提案しようとするものである。 The present invention has been made in consideration of the above points, and an object of the present invention is to propose a numerical analysis device and method capable of estimating the analysis error of numerical analysis and / or numerical prediction and performing effective reanalysis. ..
かかる課題を解決するため本発明においては、数値解析により気象数値予測を行う数値解析装置において、前記数値解析の初期値の気象場のパターン、及び／又は、予測された前記気象場のパターンを複数のパターンに分類するパターン分類部と、分類された各前記気象場のパターン及び／又は予測された前記気象場のパターンと前記気象数値予測の予測結果の劣度との関係を検出する検出部と、現在の前記気象場の前記パターンに対する前記検出部の検出結果に基づいて、前記気象数値予測の劣度を推定する予測劣度推定部とを設けるようにした。 In order to solve such a problem, in the present invention, in a numerical analysis device that predicts meteorological numerical values by numerical analysis, a plurality of patterns of the meteorological field that are the initial values of the numerical analysis and / or the predicted patterns of the meteorological field are used . A pattern classification unit that classifies into the patterns of , A prediction inferiority estimation unit for estimating the inferiority of the meteorological numerical prediction is provided based on the detection result of the detection unit for the pattern of the current meteorological field .
また本発明においては、気象数値予測を行う数値解析装置において実行される数値解析方法であって、記数値解析の初期値の気象場のパターン、及び／又は、予測された前記気象場のパターンを複数のパターンに分類する第１のステップと、分類した各前記気象場のパターン及び／又は予測された前記気象場のパターンと前記気象数値予測の予測結果の劣度との関係を検出する第２のステップと、現在の前記気象場の前記パターンに対する前記検出部の検出結果に基づいて、前記気象数値予測の劣度を推定する第３のステップとを設けるようにした。 Further, in the present invention, it is a numerical analysis method executed in a numerical analyzer that predicts meteorological numerical values, and the pattern of the meteorological field of the initial value of the written numerical analysis and / or the predicted pattern of the meteorological field is used. The first step of classifying into a plurality of patterns and the second step of detecting the relationship between each classified pattern of the meteorological field and / or the predicted pattern of the meteorological field and the inferiority of the prediction result of the meteorological numerical prediction . And a third step of estimating the inferiority of the meteorological numerical prediction based on the detection result of the detection unit with respect to the pattern of the current meteorological field .
本発明によれば、数値解析及び／又は数値予測の解析誤差の推定と、効果的な再解析を行い得る数値解析装置及び方法を実現できる。 According to the present invention, it is possible to realize a numerical analysis apparatus and method capable of estimating an analysis error of numerical analysis and / or numerical prediction and performing effective reanalysis.
以下図面について、本発明の一実施の形態を詳述する。 Hereinafter, one embodiment of the present invention will be described in detail with reference to the drawings.
（１）第１の実施の形態
（１－１）エネルギー運用システムの構成
図１は、エネルギー運用システム１（１Ａ）の構成を示す。このエネルギー運用システム１は、複数のエネルギー運用装置２（２ＡＡ，２ＡＢ，２ＡＤ）が連携してエネルギー供給の制御やそのための計画を行う分散システムである。
(1) First Embodiment (1-1) Configuration of Energy Operation System FIG. 1 shows the configuration of the energy operation system 1 (1A). This
図１において、「EM1」は、複数の電力会社３間における電力融通を制御するための処理を実行するエネルギー運用装置（ＥＭ：Energy Manager）２（２ＡＡ）を示し、「EM2」は、各電力会社３の中央給電指令所に設けられたエネルギー運用装置２（２ＡＢ）、「EM4」は、複数の需要家４の電力需要を束ねたエネルギーマネージメントサービスを提供するアグリゲータ８のエネルギー運用装置２（２ＡＤ）や、各需要家４又は発電所５に設置されたエネルギー運用装置２（２ＡＤ）をそれぞれ示す。
In FIG. 1, “EM1” indicates an energy operation device (EM: Energy Manager) 2 (2AA) that executes a process for controlling power interchange between a plurality of
各エネルギー運用装置２（２ＡＢ）は、連携するエネルギー運用装置２（２ＡＤ）と２（２ＡＡ）の状態（ここでの「状態」とは、発電の余力及び電力会社３間の電力融通を行う連系線の残存容量を指す）と、現在の電力需要状況及び気象状況や将来の電力需要予測及び気象予測とを利用し、予め自エネルギー運用装置２（２ＡＢ）において立案した発電計画に基づいて、下位のエネルギー運用装置２ＡＤに対して発電指令や、ネガワット又はポジワットの生成指令を送信する。 Each energy operation device 2 (2AB) is linked to the state of the energy operation devices 2 (2AD) and 2 (2AA) (the "state" here means the surplus power generation capacity and the power interchange between the power companies 3). Refers to the remaining capacity of the grid line) and the current power demand status and weather conditions, future power demand forecasts and weather forecasts, and based on the power generation plan drafted in advance by the self-energy operation device 2 (2AB). A power generation command and a negative watt or positive watt generation command are transmitted to the lower energy operation device 2AD.
そして最下層のエネルギー運用装置２ＡＤ（各需要家４や発電所５のエネルギー運用装置２ＡＤ）は、上位のエネルギー運用装置２ＡＡ，２ＡＢから与えられた発電指令や、ネガワット又はポジワットの生成指令に応じて発電機６を駆動したり、負荷７の稼動を制御する。
The lowermost energy operation device 2AD (energy operation device 2AD of each
例えば、発電所５に設置されたエネルギー運用装置２ＡＤは、上位のエネルギー運用装置２ＡＢから与えられた発電指令に応じて施設内の発電機６を駆動することにより、要求された電力量の発電を行わせる。
For example, the energy operation device 2AD installed in the
また発電施設を有する大規模需要家４のエネルギー運用装置２ＡＤは、上位のエネルギー運用装置２ＡＢから与えられた発電指示に応じて、当該大規模需要家４の発電機６を駆動して要求された電力量の発電を行わせたり、上位のエネルギー運用装置２ＡＢから与えられたネガワット又はポジワットの生成指令に応じて施設内の負荷７の稼動を制御することによりネガワット又はポジワットを生成させる。
Further, the energy operation device 2AD of the large-
さらにアグリゲータ８のエネルギー運用装置２ＡＤは、上位のエネルギー運用装置２ＡＢから与えられたネガワット又はポジワットの生成指令に応じて、契約した小規模需要家４に設置されたエネルギー運用装置２ＡＤを介してその小規模需要家４が所有する負荷７を制御することにより、ネガワット又はポジワットを生成させる。
Further, the energy operation device 2AD of the
一方、図１との対応部分に同一符号を付した図２は、発電及び小売を行う発電小売会社と、送電を行う地域送電会社が異なる発送電分離のエネルギー自由化の制度のもとでのエネルギー運用システム１（１Ｂ）の構成例を示す。 On the other hand, FIG. 2 in which the corresponding parts with those in FIG. A configuration example of the energy operation system 1 (1B) is shown.
エネルギー自由化によって電力の売買が自由化され、これに伴って供給力としての電力を取引する取引市場（以下、これを電力取引市場と呼ぶ）２ＢＡが開設した。また各電力会社３（図１）が地域送電会社と発電小売会社とに分割され、それまで電力会社３が所有していた中央給電指令所のエネルギー運用装置２ＡＢ（図１）が地域送電用のエネルギー運用装置２ＢＢＡとして地域送電会社に引き継がれ、大規模需要家４の発電機６により発電された電力や、小規模需要４で生成されたポジワット及びネガワットを電力取引市場２ＢＡで取引すべく、発電小売会社により新たにエネルギー運用装置２ＢＢＢが設置され、当該エネルギー運用装置２ＢＢＢが大規模需要家４や小規模需要家４のエネルギー運用装置２ＡＤと接続された。
The liberalization of energy has liberalized the buying and selling of electric power, and along with this, a trading market for trading electric power as a supply capacity (hereinafter referred to as the electric power trading market) 2BA has been opened. In addition, each electric power company 3 (Fig. 1) is divided into a regional power transmission company and a power generation retail company, and the energy operation device 2AB (Fig. 1) of the central power supply command center owned by the
一方、近年では、複数の各電力会社３の管理範囲を跨いだ需給調整を行うことが提案されており、図２との対応部分に同一符号を付した図３に示すように、そのような需給調整を行うためのエネルギー運用装置２ＡＣを設置すること形態をとることがある。さらに、図３との対応部分に同一符号を付した図４に示すように、調整力としての電力を取引する調整力取引市場２ＢＣを設置する形態を取ることもある。
On the other hand, in recent years, it has been proposed to adjust the supply and demand across the management range of each of the plurality of
ところで、図１～図４について上述したようなエネルギー運用装置２ＡＡ～２ＡＤ，２ＢＡ，２ＢＢＡ，２ＢＢＢ（以下、これらをまとめてエネルギー運用装置２と呼ぶ）が階層化されたエネルギー運用システム１（１Ａ～１Ｄ）では、上位のエネルギー運用装置２は下位のエネルギー運用装置２を制御する役割を有し、最下位のエネルギー運用装置２は発電機６や負荷７を制御する役割を有する。
By the way, with respect to FIGS. 1 to 4, the energy operation devices 2AA to 2AD, 2BA, 2BBA, and 2BBB (hereinafter collectively referred to as energy operation devices 2) as described above are layered in the energy operation system 1 (1A to 1A to 4). In 1D), the upper
このような階層的な分散システムでは、基本的には、下位に行くほどエネルギー運用装置２がより高い精確さでエネルギー供給計画の立案を行う必要がある。ただし、各エネルギー運用装置２が立案するエネルギー供給計画の精確さは、他のエネルギー運用装置２との連携の有無によっても異なる。
In such a hierarchical distributed system, it is basically necessary for the
ここで、かかる「精確さ（accuracy）」とは正確さ（trueness）と精密さ（precision）を含めた意味での、計算出力値との真の値との一致の度合いである。「正確さ」とは、計算出力値の期待値と真の値との差の小ささの程度である。「精密さ」とは、独立した計算出力値のばらつきの小ささである。予測の計算においては計算出力値（予測値）が正確であることと、計算出力値（予測値）が精密であることとは、かならずしも同時に達成されるとは限らない。 Here, such "accuracy" is the degree of agreement between the calculated output value and the true value in the sense of including accuracy and precision. "Accuracy" is the degree of small difference between the expected value and the true value of the calculated output value. "Precision" is the small variation of independent calculated output values. In the calculation of the prediction, the accuracy of the calculated output value (predicted value) and the precision of the calculated output value (predicted value) are not always achieved at the same time.
そのため、下位にいくほどエネルギー運用装置２が精密さを高くし、上位に行くほど正確さを高くすることが望ましい。また逆に、下位に行くほどエネルギー運用装置が正確さを高くし、上位に行くほど精密さを高くすることが望ましい。そして正確さと、精密さ（厳密さ、厳密性と記載することもある）の異なる目的をもったエネルギー運用装置２間が連携することで、結果として、精確さ（総合精度、単に精度と記載することもある）に優れたエネルギーに関する予測とその供給計画が可能となる。
Therefore, it is desirable that the
一方で、各エネルギー運用装置２の管理エリア内のエネルギー需要量は、当該管理エリア内の気象状況と、エネルギー需要密度（単位面積当たりの交通量や単位面積当たりの通信発生量、あるいは全産業就労者数などに相関する単位面積当たりのエネルギーの需要量）、及び、発電密度（単位面積当たりの太陽光発電装置の設置数やそれぞれの発電容量、コージェネレーション（電熱供給装置）の設置数やそれぞれの発電容量、及び、発電機の設置数やそれぞれの発電容量に相関する発電密度）などのエネルギー需給状況とに依存し、これらを考慮したエネルギー供給の計画立案が必要となる。
On the other hand, the amount of energy demand in the management area of each
そこで本実施の形態のエネルギー運用装置２は、エネルギー運用システム１における自己の役割と、自己の管理エリアにおける気象状況及びエネルギーの需給状況とに基づいて自エネルギー運用装置２の管理エリアにおけるエネルギー供給計画を立案する点を特徴とする。以下、このような本実施の形態のエネルギー運用装置２について説明する。
Therefore, the
（１－２）本実施の形態のエネルギー運用装置の構成
図５は、図４においてエネルギー運用装置２として適用される本実施の形態によるエネルギー運用装置１０の構成を示す。このエネルギー運用装置１０は、ＣＰＵ（Central Processing Unit）１１、メインメモリ１２、外部記憶装置１３、入出力インタフェース１４及び複数の通信装置１５を備えて構成される。
(1-2) Configuration of Energy Operation Device of the Present Embodiment FIG. 5 shows the configuration of the
ＣＰＵ１１は、本エネルギー運用装置１０全体の動作制御を司るプロセッサである。またメインメモリ１２は、例えば揮発性の半導体メモリから構成され、ＣＰＵ１１のワークメモリとして利用される。
The
外部記憶装置１３は、ハードディスク装置やＳＳＤ（Solid-State Drive）などの大容量の不揮発性の記憶装置から構成され、各種プログラムやデータを長期間保存するために利用される。図６について後述する参照データ蓄積部３０、第１～第３予測部３１～３３、コンディション評価部３４、コンフィグレーション入力部３５、解品質コントロール部３６及び計画部３７をそれぞれ構成する各プログラムもこの外部記憶装置１３に格納されて保持される。
The
外部記憶装置１３に格納されたプログラムがエネルギー運用装置１０の起動時や必要時にメインメモリ１２にロードされ、ロードされたプログラムをＣＰＵ１１が実行することにより、後述のようなエネルギー運用装置１０全体としての各種処理が行われる。
The program stored in the
入出力インタフェース１４は、外部通信端子２０、入力装置２１及び表示装置２２を備えて構成される。外部通信端子２０は、例えばＵＳＢ（Universal Serial Bus）端子から構成される。また入力装置２１は、キーボード、マウス及び又はタッチパネルなどから構成され、ユーザが必要な情報を入力するために利用する。表示装置２２は、例えば液晶パネルや有機ＥＬ（Electro Luminescence）パネルなどから構成され、必要な画面や情報を表示するために利用される。
The input / output interface 14 includes an
通信装置１５は、本エネルギー運用装置１０が他のエネルギー運用装置１０や、気象情報や交通情報などのエネルギー・インフォメーション・サービスを提供する官庁、企業及び団体のサーバ装置、負荷設備及び又は発電設備などと通信を行う際のプロトコル制御を行う。
The
図６は、かかる本エネルギー運用装置１０の論理構成を示す。この図６に示すように、エネルギー運用装置１０は、参照データ蓄積部３０、第１予測部３１、第２予測部３２、第３予測部３３、コンディション評価部３４、コンフィグレーション入力部３５、解品質コントロール部３６及び計画部３７を備えて構成される。
FIG. 6 shows the logical configuration of the
参照データ蓄積部３０は、メインメモリ１２や外部記憶装置１３の一部の記憶領域から構成され、需要データ蓄積部４０、気象データ蓄積部４１、需要要因データ蓄積部４２及び市場データ蓄積部４３を備える。
The reference
需要データ蓄積部４０は、自エネルギー運用装置１０の管理エリア内の過去のエネルギー需要を蓄積するデータベースである。需要データ蓄積部４０には、当該管理エリア内の各需要家の電力メータシステム４４からそれぞれ定期的に取得したこれら需要家の電力消費量がそれぞれ需要データとして順次格納される。
The demand
また気象データ蓄積部４１は、気温、日射、湿度、風速、風向及び気圧などの各気象要素の過去の観測データ（気象データ）を蓄積するデータベースである。気象データ蓄積部４１には、気象庁や民間の気象予報会社の気象観測システム４５から定期的に取得した気象グリッドごとの各気象要素の観測データと、気象庁や民間の気象予報会社の気象予測システム４６から定期的に取得した気象グリッドごとの各気象要素の予測データ（気象予測データ）とが順次格納される。なお「気象グリッド」とは、地表面上及び地表面から所定高さの上空までの空間内に緯度方向、経度方向及び鉛直方向にそれぞれ一定間隔で設定されたポイントを指す。
The meteorological
需要要因データ蓄積部４２は、エネルギー運用装置１０の管理エリア内における道路交通量や、通信発生量、産業就業者数及び鉄道乗客数などの電力需要の各要因（以下、これらを需要要因と呼ぶ）に関する観測値を蓄積するデータベースである。需要要因データ蓄積部４２には、例えば道路交通公社の交通データ配信サーバ４７などから定期的に取得した自エネルギー運用装置１０の管理エリア内の道路交通量に関する観測値や、各大口需要家のデータ配信サーバ４８からそれぞれ定期的に取得したその大口需要家の通信発生量の観測値などの各需要要因に関する観測値が順次格納される。
The demand factor
市場データ蓄積部４３は、電力取引市場における取引の情報を蓄積するデータベースである。市場データ蓄積部４３には、電力取引市場での電力の入札情報や単価などの情報が市場データとして格納される。
The market
一方、第１予測部３１は、後述のように解品質コントロール部３６から指定される品質で自エネルギー運用装置１０の管理エリア内の気象予測を行う機能を有する機能部である。第１予測部３１は、参照ポイント調整処理部５０及びデータ同化処理部５１から構成される第１データ同化部５２と、機動的観測用参照ポイント調整処理部５３、逐次データ同化処理部５４及び物理シミュレーション部５５とを備えて構成される。
On the other hand, the
第１データ同化部５２の参照ポイント調整処理部５０は、外部記憶装置１３（図５）に格納された対応する参照ポイント調整処理プログラム５０Ｐ（図５）をＣＰＵ１１が実行することにより具現化される機能部である。参照ポイント調整処理部５０は、解品質コントロール部３６から指定された品質で管理エリア内の気象予測を行うために、後述のようにデータ同化処理部５１が実行するデータ同化処理において重視すべき気象グリッドを参照ポイントとして決定する。
The reference point
実際上、第１予測部３１には、かかる品質として、後述のようにそのエネルギー運用装置１０が目標とすべき予測結果の安定性を表す１～５の数値（以下、これを予測解目標安定指数と呼ぶ）が解品質コントロール部３６から通知される。また第１予測部３１は、図７に示すように、予測解目標安定指数の各値に対してそれぞれどの高度の気象グリッドを参照ポイントとして決定すべきかを予めユーザが規定した第１のテーブル５６を保持している。
In practice, the
かくして、参照ポイント調整処理部５０は、解品質コントロール部３６から与えられた予測解目標安定指数の値に対して第１のテーブル５６において規定された気象グリッド（図７では上層の各気象グリッドである「上層気象グリッド」又は地表面の各気象グリッドである「地表面気象グリッド」）であって、自エネルギー運用装置１０の管理エリア内の気象グリッドをかかる参照ポイントとして決定し、これをデータ同化処理部５１に通知する。
Thus, the reference point
なお、通常、地表面付近で取得した気象データを用いて気象予測を行う場合、地表面上で直接計測された気象データを用いて予測を行うために高い精度の予測結果が得られるものの、地表面付近は日射、気圧、風向及び風量などが不安定であるために予測結果も不安定に（当たり外れが大きく）なる。これに対して、上空で取得した気象データを用いて気象予測を行う場合、上空は気温、気圧、風向及び風量などが安定しているために安定した予測結果（外れが少ない予測結果）が得られるものの、低い精度の予測結果しか得られない。このため第１のテーブル５６では、予測解目標安定指数の値が大きいほど（安定性の品質が高いほど）気象状態が安定した上層の気象グリッドが対応付けられ、予測解目標安定指数の値が小さいほど（解の安定性の品質が低いかわりに、精密さが高いほど）高い精度の予測結果が得られる地表面付近の気象グリッドが対応付けられている。 Normally, when weather forecasts are made using meteorological data acquired near the ground surface, highly accurate prediction results can be obtained because the forecasts are made using meteorological data measured directly on the ground surface. Since the solar radiation, atmospheric pressure, wind direction, and air volume are unstable near the surface, the prediction results are also unstable (large hits and misses). On the other hand, when weather forecasts are made using meteorological data acquired in the sky, stable forecast results (prediction results with few deviations) can be obtained because the temperature, atmospheric pressure, wind direction, and air volume are stable in the sky. However, only low-precision prediction results can be obtained. Therefore, in the first table 56, the larger the value of the predicted solution target stability index (the higher the quality of stability), the higher the meteorological grid with stable weather conditions is associated, and the value of the predicted solution target stability index is A meteorological grid near the ground surface is associated with the smaller the value (the higher the precision, the lower the quality of the stability of the solution), the higher the accuracy of the prediction result.
また第１データ同化部５２のデータ同化処理部５１は、外部記憶装置１３に格納された対応するデータ同化処理プログラム５１Ｐ（図５）をＣＰＵ１１（図５）が実行することにより具現化される機能部である。データ同化処理部５１は、参照ポイント調整処理部５０により決定された参照ポイントを重視した観測データ（気象データ）と、後述のように物理シミュレーション部５５により実行された物理シミュレーションのシミュレーション結果のデータとをデータ同化させる処理を実行する。
Further, the data
実際上、データ同化処理部５１は、気象データ蓄積部４１から上述の各参照ポイントの気象データを読み出し、これらの気象データと、物理シミュレーション部５５のシミュレーション結果とを、参照ポイント調整処理部５０により決定された参照ポイントを重視しながらデータ同化させるデータ同化処理を実行する。これにより、かかる気象データから過去を再現し将来の時間断面での値を推定（予測）することができる。
In practice, the data
機動的観測用参照ポイント調整処理部５３は、外部記憶装置１３（図５）に格納された対応する機動的観測用参照ポイント調整処理プログラム５３Ｐ（図５）をＣＰＵ１１が実行することにより具現化される機能部である。機動的観測用参照ポイント調整処理部５３は、気象バルーンや観測用レーダなどを用いた機動的な観測により得られた現在の気象データに基づいて後述のように物理シミュレーション部５５が生成したシミュレーションモデルを補正するための参照ポイントを決定する。具体的に、機動的観測用参照ポイント調整処理部５３は、参照ポイント調整処理部５０と同様にして、解品質コントロール部３６から指定された品質で管理エリア内の気象予測を行うために、逐次データ同化処理部５４が実行するデータ同化処理で重視すべき参照ポイントを、現在の気象データが得られた気象グリッドの中から決定する。
The mobile observation reference point
逐次データ同化処理部５４は、外部記憶装置１３に格納された逐次データ同化処理プログラム５４Ｐ（図５）をＣＰＵ１１が実行することにより具現化される機能部である。逐次データ同化処理部５４は、機動的観測用参照ポイント調整処理部５３により参照ポイントとして決定された各気象グリッドの気象データと、物理シミュレーション部５５の物理シミュレーションにより得られたデータとを、機動的観測用参照ポイント調整処理部５３により決定された参照ポイントを重視しながらデータ同化させるデータ同化処理を実行する。
The sequential data
物理シミュレーション部５５は、外部記憶装置１３に格納された物理シミュレーションプログラム５５Ｐ（図５）をＣＰＵ１１が実行することにより具現化される機能部である。物理シミュレーション部５５は、第１データ同化部５２のデータ同化処理部５１から与えられる各参照ポイントの気象データと、逐次データ同化処理部５４から与えられる各参照ポイントの現在の気象データとに基づいて、これら各参照ポイントにおける各気象要素の物理シミュレーション（数値シミュレーション）を実行する。
The
具体的に、物理シミュレーション部５５は、気体と水蒸気からなる大気の熱力学方程式、大気の質量保存及びエネルギー保存の運動方程式に従う、微少時間ごとの大気気温、水蒸気量の変化とそれに伴う地表面日射等の各気象要素の値とを、太陽からの放射エネルギーを入力にした気象システムのシミュレーションにより推定する。そして物理シミュレーション部５５は、かかる物理シミュレーションのシミュレーション結果をコンディション評価部３４に出力する。
Specifically, the
なお、かかる構成を有する第１予測部３１において、例えば、解品質コントロール部３６から与えられた予測解目標安定指数が「４」であった場合、上述のように参照ポイント調整処理部５０により参照ポイントとして「上層気象グリッド」が決定されて、航空機観測、レーダ観測又はバルーン観測等で取得されたこれら「上層気象グリッド」の気象データに基づいて気象予測が行われるが、「上層気象グリッド」のうちの気象データが欠落している気象グリッドについては、周囲の気象グリッドの地上で観測した気象データで代替するものとする。
In the
代替は、地上で観測した気象データから上層気象グリッドの値を推定するカルマンフィルタでのオブザーバを用いる、又は、局所気象グリッドの物理シミュレーションで推定した値を用いることで達成される。このようにすることで、気象物理的に安定している上層での物理シミュレーションによる安定的な予測が行え、気象物理現象が不安定な場合にも比較的正確な近似による予測値を得られる。これは大きな時間粒度で、大きな空間領域の気象の物理シミュレーションを行うときには、上層気象グリッドの気象データを利用することで、良好な精度の物理シミュレーションが行い得るためである。 The alternative is achieved by using an observer with a Kalman filter that estimates the values of the upper meteorological grid from the meteorological data observed on the ground, or by using the values estimated by the physical simulation of the local meteorological grid. By doing so, stable prediction can be performed by physical simulation in the upper layer where the meteorological physics is stable, and a predicted value by relatively accurate approximation can be obtained even when the meteorological physics phenomenon is unstable. This is because when performing a physics simulation of meteorology in a large spatial region with a large time grain size, it is possible to perform a physics simulation with good accuracy by using the meteorological data of the upper meteorological grid.
また第１予測部３１において、例えば、解品質コントロール部３６から与えられた予測解目標安定指数が「１」であった場合には、「地表面気象グリッド」の気象データを利用することになるが、これにより30分に満たないような短い時間間隔（時間粒度が細かい）、かつ自エネルギー運用装置１０の管理エリアの詳細（空間粒度が細かい）を観測及び物理シミュレーションにより厳密性の高い予測が行え、気象物理現象が安定しているときにより正確な予測値を得られる。
Further, in the
第２予測部３２は、後述のように解品質コントロール部３６から指定された品質（後述のように解品質コントロール部３６から与えられた予測解目標安定指数の値に応じた予測の安定性）で自エネルギー運用装置１０の管理エリア内のデータ需要密度の予測を行う機能を有する機能部であり、参照ポイント調整処理部６０及びデータ同化処理部６１から構成される第２データ同化部６２と、物理シミュレーション部６３とを備えて構成される。
The
第２データ同化部６２の参照ポイント調整処理部６０は、外部記憶装置１３に格納された対応する参照ポイント調整処理プログラム６０Ｐ（図５）をＣＰＵ１１が実行することにより具現化される機能部である。参照ポイント調整処理部６０は、解品質コントロール部３６から通知された予測解目標安定指数の値に応じた品質（予測の安定性）で管理エリア内のエネルギー需要密度を予測するために、後述のようにデータ同化処理部６１が実行するデータ同化処理で重視すべき参照ポイントを決定する。
The reference point
具体的に、参照ポイント調整処理部６０は、解品質コントロール部３６から通知された予測解目標安定指数の値が大きいほど時間的粒度及び空間的粒度が大きく、予測解目標安定指数の値が小さいほど時間的粒度及び空間的粒度が小さくなるよう自エネルギー運用装置１０の管理エリア内の地表面上の幾つかの地点を参照ポイントとして決定する。そして参照ポイント調整処理部６０は、参照ポイントとして決定した地点をデータ同化処理部６１に通知する。
Specifically, in the reference point
データ同化処理部６１は、外部記憶装置１３に格納された対応するデータ同化処理プログラム６１Ｐ（図５）をＣＰＵ１１が実行することにより具現化される機能部である。データ同化処理部６１は、第１予測部３１のデータ同化処理部５１と同様にして、需要要因データ蓄積部４２に蓄積された対応する需要要因の観測データに基づくエネルギー需要密度のデータと、後述のように物理シミュレーション部６３により実行される物理シミュレーションのシミュレーション結果のデータとを、参照ポイント調整処理部６０により決定された参照ポイントを重視しながらデータ同化させるデータ同化処理を実行する。
The data
実際上、データ同化処理部６１は、参照ポイント調整処理部６０により決定された上述の各地点における各需要要因の観測値を需要要因データ蓄積部４２から読み出し、これら各需要要因の観測値と、物理シミュレーション部６３において実行される需要要因ごとの物理シミュレーションのシミュレーション結果とを利用して、かかる各需要要因の観測値から過去を再現し将来の時間断面での値を推定（予測）するためのデータ同化処理を実行する。
In practice, the data
物理シミュレーション部６３は、外部記憶装置１３に格納された物理シミュレーションプログラム６３Ｐ（図１）をＣＰＵ１１が実行することにより具現化される機能部である。物理シミュレーション部６３は、データ同化処理部６１から与えられる各参照ポイントにおける各需要要因のデータ同化処理された観測値に基づいて、需要要因ごとに、これら各参照ポイントにおけるエネルギー需要密度の数値シミュレーション（マルチエージェントシミュレーション又は需要要因を流体として模擬したシミュレーション）をそれぞれ実行する。そして物理シミュレーション部６３は、かかる数値シミュレーションのシミュレーション結果を第３予測部３３及びコンディション評価部３４に出力する。
The
第３予測部３３は、需要データ蓄積部４０に蓄積された需要データ、気象データ蓄積部４１に蓄積された気象データ、需要要因データ蓄積部４２に蓄積された各需要要因の観測データ、及び、市場データ蓄積部４３に蓄積された市場データのうちの必要なデータと、第２予測部３２により予測された管理エリア内のエネルギー需要密度とに基づいて、後述のように解品質コントロール部３６から指定された品質（後述のように解品質コントロール部３６から与えられた予測解目標安定指数の値に応じた予測の安定性）で自エネルギー運用装置１０の管理エリア内のエネルギー需要量を予測する機能を有する機能部であり、参照ポイント調整処理部７０、回帰モデル生成部７１及び回帰予測処理部７２を備えて構成される。
The
参照ポイント調整処理部７０は、外部記憶装置１３に格納された対応する参照ポイント調整処理プログラム７０Ｐ（図５）をＣＰＵ１１が実行することにより具現化される機能部である。参照ポイント調整処理部７０は、そのとき解品質コントロール部３６から指定された予測解目標安定指数の値に応じた品質で自エネルギー運用装置１０の管理エリア内のエネルギー需要の予測を行うために、回帰モデル生成部７１が生成すべき回帰モデルの種類及びその回帰モデルの条件を選択する。
The reference point
実際上、参照ポイント調整処理部７０は、解品質コントロール部３６から指定される予測解目標安定指数の値に対して、回帰モデル生成部７１が生成すべき回帰モデルの種類及びその回帰モデルに用いる説明変数（各気象要素、各需要要因及び又はデータ需要密度）の条件を規定した図８に示すような第２のテーブル７３を予め保持している。この第２のテーブル７３は、予めユーザにより作成されたものである。この場合、かかる「回帰モデルに用いる説明変数の条件」として説明変数の重要度Ｐの閾値（図８の「閾値」の欄）が設定される。
In practice, the reference point
かくして、参照ポイント調整処理部７０は、解品質コントロール部３６から指定された予測解目標安定指数の値に対して第２のテーブル７３において規定された回帰モデルと、当該回帰モデルに用いる説明変数の条件（説明変数の重要度の閾値）とをそれぞれ選択し、これを回帰モデル生成部７１に出力する。
Thus, the reference point
回帰モデル生成部７１は、参照ポイント調整処理部７０から与えられた回帰モデルの種類と、当該回帰モデルに用いる説明変数の条件とに基づいて、自エネルギー運用装置１０の管理エリアにおけるエネルギー需要と説明変数との間の回帰モデルを生成し、生成した回帰モデルを回帰予測処理部７２に出力する。
The regression
具体的に、回帰モデル生成部７１は、説明変数となり得る各気象要素、各需要要因及び各データ需要密度について、それぞれその重要度Ｐの指数を一般に知られたランダムフォレストのアルゴリズムにより算出すると共にその指数を０～１に正規化し、正規化した重要度Ｐの値が参照ポイント調整処理部７０から通知された「回帰モデルに用いる説明変数の条件」を満たす各気象要素、各需要要因及び各データ需要密度をそれぞれ説明変数として、参照ポイント調整処理部７０から通知された回帰モデルを生成する。
Specifically, the regression
また、説明変数が、気象観測所（例えば、東京、前橋、横浜）の地点や、需要を管理する単位面（例えば気象グリッドごとに設ける）ごとにある場合、説明変数を減らす処理として、複数の地点（あるいは単位面）のデータを、重み付き平均とった１つのデータに集約することをしてもよい。また加重平均を取るときに、第２予測部で算出した需要密度や発電密度を重み係数とする。このようにデータを集約することで、予測結果はより平均的なものとなる。 In addition, when there are explanatory variables for each point of a meteorological station (for example, Tokyo, Maebashi, Yokohama) or for each unit surface that manages demand (for example, for each meteorological grid), there are a plurality of processes for reducing the explanatory variables. The data of points (or unit planes) may be aggregated into one weighted average data. When taking the weighted average, the demand density and power generation density calculated by the second prediction unit are used as the weighting coefficient. By aggregating the data in this way, the prediction results will be more average.
従って、例えば、解品質コントロール部３６から与えられた予測解目標安定指数の値が「５」であった場合には、正規化した重要度Ｐが「0.9」以上の気象要素、需要要因及び又はデータ需要密度を説明変数とする「Lasso回帰モデル」が生成されることになる。このように回帰モデルの説明変数を限定することにより、生成される回帰モデルを適切に簡単化することができる。そして簡単化した説明変数が少ない回帰モデルを利用することにより、安定したエネルギー需要の予測を行うことができる。
Therefore, for example, when the value of the predicted solution target stability index given by the solution
また解品質コントロール部３６から与えられた予測解目標安定指数の値が「１」であった場合には、正規化した重要度Ｐが「0.2」以上の気象要素、需要要因及びデータ需要密度を説明変数とした、説明変数が多い厳密な「Ridge回帰モデル」が生成される。これにより、精密なエネルギー需要の予測を行うことができ、特に気象や需要要因が通常の範囲内にあり、回帰モデルによる予測が行い易い場合に精度の良い予測値を得ることができる。
If the value of the predicted solution target stability index given by the solution
このように第２のテーブル７３では、予測解目標安定指数の値が大きいほど（品質が高いほど）回帰モデルとしてより簡単な回帰モデルが指定されると共に、説明変数の重要度Ｐの閾値の値が大きく設定され、予測解目標安定指数の値が小さいほど（品質が低いほど）回帰モデルとしてより複雑な回帰モデルが設定されると共に、説明変数の重要度Ｐの閾値の値が小さく設定される。 As described above, in the second table 73, the larger the value of the predicted solution target stability index (the higher the quality), the simpler the regression model is specified, and the value of the threshold value of the importance P of the explanatory variable. Is set larger, and the smaller the value of the predicted solution target stability index (the lower the quality), the more complicated the regression model is set as the regression model, and the smaller the value of the threshold value of the importance P of the explanatory variable is set. ..
回帰予測処理部７２は、外部記憶装置１３に格納された対応する回帰予測処理プログラム７２Ｐ（図５）をＣＰＵ１１が実行することにより具現化される機能部である。回帰予測処理部７２は、必要な説明変数の値を気象データ蓄積部４１、需要要因データ蓄積部４２及び第２予測部３２の物理シミュレーション部６３から与えられるシミュレーション結果から取得し、取得した値を回帰モデル生成部７１から与えられた回帰モデルに当てはめるようにして自エネルギー運用装置１０の管理エリアにおける時間断面（指定時刻）のエネルギー需要量の予測値を算出する。そして回帰予測処理部７２は、算出したエネルギー需要の予測値を後述する計画部３７の計画処理部１０１に出力する。
The regression
なお本実施形態の回帰予測処理部７２により実行される回帰予測処理に代えて、時系列予測、類似する暦日と気象の条件の過去の需要実績を利用した類似日予測や、類似日候補の一日/一週間等の所定期間の需要の推移のパターンを用いた需要パターン予測を行なっても良い。例えば、時系列予測では、安定した予測を行うときには、サンプリング間隔を広げた予測を行い微細な需要の変動（フリンジ）を無視するようにできる。類似日予測では、暦日での祭日や気象条件の場合わけの数を増減し、安定した予測を行うときには場合分けの数を減らすことで、過去実績の寄り平均的な値を予測値とすることができる。
Instead of the regression prediction process executed by the regression
一方、コンディション評価部３４は、第１及び第２予測部３１，３２の各物理シミュレーション部５５，６３によりそれぞれ実行された物理シミュレーションの各シミュレーション結果に対する時間断面及び空間断面ごとのデータの分布形状をそれぞれ評価する機能を有する機能部であり、時間的データ分布形状評価部８０、空間的データ分布形状評価部８１及びタグデータ書出し部８２を備えて構成される。
On the other hand, the
時間的データ分布形状評価部８０は、外部記憶装置１３に格納された時間的データ分布形状評価プログラム８０Ｐ（図５）をＣＰＵ１１が実行することにより具現化される機能部である。時間的データ分布形状評価部８０は、第１の予測部３１の物理シミュレーション部５５により実行された物理シミュレーションのシミュレーション結果として得られた各参照ポイントの気象データの予測結果の時間的な変化の大きさを、例えば、これら予測値の分散状態（分散値）により評価し加重平均する。
The temporal data distribution
また空間的データ分布形状評価部８１は、外部記憶装置１３に格納された空間的データ分布形状評価プログラム８１Ｐ（図５）をＣＰＵ１１が実行することにより具現化される機能部である。空間的データ分布形状評価部８１は、第１及び第２予測部３１，３２の各物理シミュレーション部５５，６３により実行された物理シミュレーションで得られた各参照ポイントの予測結果に基づいて、水平方向と平行な同一平面上の各参照ポイント間や、鉛直方向と平行な同一平面上の各参照ポイント間の予測値の変化を、同一時間断面での予測値の分散状態（分散値）により評価する。
Further, the spatial data distribution shape evaluation unit 81 is a functional unit embodied by the
タグデータ書出し部８２は、外部記憶装置１３に格納されたタグデータ書出しプログラム８２Ｐ（図５）をＣＰＵ１１が実行することにより具現化される機能部である。タグデータ書出し部８２は、時間的データ分布形状評価部８０の評価結果（分散値）と、空間的データ分布形状評価部８１の評価結果（分散値）とに基づいて、第１予測部３１の物理シミュレーション部５５により実行された物理シミュレーションで得られた将来的な気象状況（以下、これを気象コンディションと呼ぶ）と、第２予測部３２の物理シミュレーション部６３により実行されたシミュレーションで得られた将来的なエネルギー需要密度の状況（以下、これをエネルギー需要密度コンディションと呼ぶ）との安定性を判定する。
The tag
実際上、タグデータ書出し部８２は、時間的データ分布形状評価部８０の評価結果（分散値）と、空間的データ分布形状評価部８１の評価結果（分散値）とをそれぞれ予め設定された閾値と比較することにより、将来的な気象コンディションやエネルギー需要密度コンディションが安定（分散が小さい）及び不安定（分散が大きい）のいずれかであるかを判定し、判定結果を例えば外部記憶装置１３内の所定の記憶領域に書き出す。
In practice, the tag
なお本実施の形態の場合、気象コンディションの安定性を表すタグ値としては、安定を表す「擾乱小」と、不安定を表す「擾乱大」とがあり、エネルギー需要密度コンディションの安定性を表すタグ値としては、安定を表す「穏健」と、不安定を表す「シビア」と、安定及び不安定の中間状態を表す「通常」とがある。 In the case of the present embodiment, the tag values indicating the stability of the meteorological condition include "small disturbance" indicating stability and "large disturbance" indicating instability, and represent the stability of the energy demand density condition. The tag values include "moderate" indicating stability, "severe" indicating instability, and "normal" indicating an intermediate state between stable and unstable.
コンフィグレーション入力部３５は、外部記憶装置１３に格納されたコンフィグレーション入力プログラム３５Ｐ（図５）をＣＰＵ１１が実行することにより具現化される機能部である。コンフィグレーション入力部３５は、連携する上位のエネルギー運用装置１０から通知され又は入出力インタフェース１４（図５）の入力装置２１（図５）を用いてユーザにより設定された後述の下位ＥＭ向け目標安定指数を取り込み、取り込んだ下位ＥＭ向け目標安定指数を解品質コントロール部３６に出力する。
The
解品質コントロール部３６は、第１～第３予測部３１～３３におけるシミュレーション（物理シミュレーション又は回帰モデルによる予測値のシミュレーション）や、後述する計画部３７において実行されるシミュレーション（内点方などの計画問題の近似解のシミュレーションや制御計算のシミュレーション）の解の品質をコントロールする機能を有する機能部である。
The solution
解品質コントロール部３６は、コンディション評価部３４のタグデータ書出し部８２が外部記憶装置１３内の所定領域に書き出した気象コンディションのタグ値及びデータ需要密度コンディションのタグ値と、コンフィグレーション入力部３５から与えられる下位ＥＭ向け目標安定指数と、図９に示す第３のテーブル９０とに基づいて、後述する緩和解目標安定指数と、上述した第１～第３予測部３１～３３に対する予測解目標安定指数と、下位のエネルギー運用装置１０に与える上述の下位ＥＭ向け目標安定指数とをそれぞれ取得し、取得したこれらの目標安定指数を計画部３７や第１～第３予測部３１～３３及び下位のエネルギー運用装置１０に出力する。
The solution
ここで第３のテーブル９０について説明する。この第３のテーブル９０は、気象コンディションのタグ値及びエネルギー需要密度コンディションのタグ値の組合せパターン（以下、これらをコンディションタグ値組合せパターンと呼ぶ）に対してそれぞれ予め設定された上述の緩和解目標安定指数、第１～第３予測部３１～３３への各予測解目標安定指数及び下位ＥＭ向け目標安定指数を管理するために利用されるテーブルであり、予めユーザによりエネルギー運用装置１０ごとに専用のものが作成される。
Here, the third table 90 will be described. The third table 90 shows the above-mentioned mitigation solution targets set in advance for each combination pattern of the tag value of the weather condition and the tag value of the energy demand density condition (hereinafter, these are referred to as a condition tag value combination pattern). It is a table used to manage the stability index, each predicted solution target stability index to the first to
この第３のテーブル９０は、図９に示すように、役割タグ欄９０Ａ、気象コンディション評価タグ値欄９０Ｂ、エネルギー需要密度コンディション評価タグ値欄９０Ｃ、第１予測解目標安定指数欄９０Ｄ、第２予測解目標安定指数欄９０Ｅ、第３予測解目標安定指数欄９０Ｆ、緩和解目標安定指数欄９０Ｇ及び下位ＥＭ向け目標安定指数欄９０Ｈを備えて構成される。第３のテーブル９０では、１つの行が１つのコンディションタグ値組合せパターンに対応しており、すべてのコンディションタグ値組合せパターンの数と同じ数の行が設けられる。
As shown in FIG. 9, the third table 90 includes a
そして役割タグ欄９０Ａには、エネルギー運用システム１全体におけるそのエネルギー運用装置１０の役割が格納される。また気象コンディション評価タグ値欄９０Ｂ及びエネルギー需要密度コンディション評価タグ値欄９０Ｃには、対応するコンディションタグ値組合せパターンにおける気象コンディションのタグ値や、エネルギー需要密度コンディションのタグ値がそれぞれ格納される。
The
また第１予測解目標安定指数欄９０Ｄ、第２予測解目標安定指数欄９０Ｅ及び第３予測解目標安定指数欄９０Ｆには、対応するコンディションタグ値組合せパターンに対して予め設定された、第１～第３予測部３１～３３に対する予測解目標安定指数がそれぞれ格納される。さらに緩和解目標安定指数欄９０Ｇには、対応するコンディションタグ値組合せパターンに対して予め設定された緩和解目標安定指数が格納され、下位ＥＭ向け目標安定指数欄９０Ｈには、対応するコンディションタグ値組合せパターンに対して予め設定された下位ＥＭ向け目標安定指数が格納される。
Further, in the first predicted solution target
従って、図９の例の場合、例えば、気象コンディションのタグ値が「擾乱大」、エネルギー需要密度コンディションのタグ値が「通常」であるコンディションタグ値組合せパターンについては、第１～第３予測部３１～３３に対する予測解目標安定指数がそれぞれ「４」、「３」、「４」に設定され、緩和解目標安定指数が「５」に設定され、下位ＥＭ向け目標安定指数が「４」に設定されていることが示されている。 Therefore, in the case of the example of FIG. 9, for example, for the condition tag value combination pattern in which the tag value of the meteorological condition is "large disturbance" and the tag value of the energy demand density condition is "normal", the first to third prediction units are used. The predicted solution target stability index for 31 to 33 is set to "4", "3", and "4", respectively, the mitigation solution target stability index is set to "5", and the target stability index for lower EM is set to "4". It is shown to be set.
なお第３のテーブル９０では、より安定したコンディションタグ値組合せパターンについては、安定したエネルギー需要の予測ができるように、緩和解目標安定指数、各予測解目標安定指数及び下位ＥＭ向け目標安定指数の値も全体的に大きい値に設定され、より不安定なコンディションタグ値組合せパターンについては、より精密なエネルギー需要の予測ができるように、緩和解目標安定指数、各予測解目標安定指数及び下位ＥＭ向け目標安定指数の値も全体的に小さい値に設定される。 In the third table 90, for a more stable condition tag value combination pattern, the relaxation solution target stability index, each predicted solution target stability index, and the target stability index for lower EMs are used so that stable energy demand can be predicted. The value is also set to a large value as a whole, and for the more unstable condition tag value combination pattern, the mitigation solution target stability index, each predicted solution target stability index, and the lower EM are used so that more precise energy demand can be predicted. The value of the target stability index is also set to a small value as a whole.
また図５のエネルギー運用システム１において下位のエネルギー運用装置１０や他のエネルギー運用装置１０と連携していない（つまりバックアップしてくれるエネルギー運用装置１０が存在しない）エネルギー運用装置１０の第３のテーブル９０は、上位のエネルギー運用装置１０や、他のエネルギー運用装置１０の第３のテーブル９０と比べて、より正確な予測を行い得るように、全体的に緩和解目標安定指数、各予測解目標安定指数及び下位ＥＭ向け目標安定指数の値が大きく設定される。
Further, in the
本実施の形態のように目標安定指数が連携するエネルギー運用装置１０から通知される構成に加え、自エネルギー運用装置１０が計画や制御での余裕分となる電源や調整力の残存量を連携するエネルギー運用装置１０に通知するようにしても良い。通知を受けたエネルギー運用装置１０は、バックアップとなる他のエネルギー運用装置１０での余裕分が少ない場合には、緩和解目標安定指数、各予測解目標安定指数及び下位ＥＭ向け目標安定指数の値を大きくなるよう第３のテーブル９０を自動的に更新し、又は、当該エネルギー運用装置１０の第３のテーブル９０をユーザが上述のように適宜更新する。このようにしてバックアップがない状況では、エネルギー運用装置１０は、自らの役割の最終責任を担うものとして規定し、多少の需要と気象の条件の変動があってもエネルギーの供給に影響が生じないように余裕分をとった安定性の品質の高い（正確さが高く、精密さは低い）予測と計画とを行うことができる。
In addition to the configuration notified from the
一方、解品質コントロール部３６は、緩和解目標安定指数算出部９１、予測解目標安定指数算出部９２及び下位ＥＭ向け目標安定指数算出部９３を備えて構成されている。
On the other hand, the solution
緩和解目標安定指数算出部９１は、外部記憶装置１３に格納された緩和解目標安定指数算出プログラム９１Ｐ（図５）をＣＰＵ１１が実行することにより具現化される機能部である。緩和解目標安定指数算出部９１は、コンディション評価部３４のタグデータ書出し部８２が外部記憶装置１３の所定の記憶領域に書き出した気象コンディション及びエネルギー需要密度コンディションの各タグ値に基づいて、第３のテーブル９０におけるこれらタグ値の組合せパターン（コンディションタグ値組合せパターン）に対応する行の緩和解目標安定指数欄９０Ｇに格納されている数値を読み出し、これを緩和解目標安定指数として計画部３７に出力する。
The relaxation solution target stability
また予測解目標安定指数算出部９２は、外部記憶装置１３に格納された予測解目標安定指数算出プログラム９２Ｐ（図５）をＣＰＵ１１が実行することにより具現化される機能部である。予測解目標安定指数算出部９２は、かかる気象コンディション及びエネルギー需要密度コンディションの各タグ値に基づいて、第３のテーブル９０におけるこれらタグ値の組合せパターン（コンディションタグ値組合せパターン）に対応する行の第１予測解目標安定指数欄９０Ｄ、第２予測解目標安定指数欄９０Ｅ及び第３予測解目標安定指数欄９０Ｆにそれぞれ格納されている数値を読み出す。また予測解目標安定指数算出部９２は、これら読み出した数値のうち、第１予測解目標安定指数欄９０Ｄに格納されていた数値を第１の予測部３１、第２予測解目標安定指数欄９０Ｅに格納されていた数値を第２の予測部３２、第３予測解目標安定指数欄９０Ｆに格納されていた数値を第３の予測部３３にそれぞれ予測解目標安定指数として出力する。
Further, the predicted solution target stability
さらに下位ＥＭ向け目標安定指数算出部９３は、外部記憶装置１３に格納された下位ＥＭ向け目標安定指数算出プログラム９３Ｐ（図５）をＣＰＵ１１が実行することにより具現化される機能部である。下位ＥＭ向け目標安定指数算出部９３は、かかる気象コンディション及びエネルギー需要密度コンディションの各タグ値に基づいて、第３のテーブル９０におけるこれらタグ値の組合せパターン（コンディションタグ値組合せパターン）に対応する行の下位ＥＭ向け目標安定指数欄９０Ｈに格納されている数値を読み出し、これを下位ＥＭ向け目標安定指数として対応する通信装置１５（図５）を介して下位のエネルギー運用装置１０に送信する。
Further, the target stability
なお緩和解目標安定指数算出部９１や、予測解目標安定指数算出部９２及び下位ＥＭ向け目標安定指数算出部９３が、コンフィグレーション入力部３５から与えられる下位ＥＭ向け目標安定指数に基づいて、緩和解目標安定指数、予測解目標安定指数又は下位ＥＭ向け目標安定指数を補正するようにしてもよい。この場合には、緩和解目標安定指数、予測解目標安定指数又は下位ＥＭ向け目標安定指数をＡ、上位のエネルギー運用装置から通知された下位ＥＭ向け目標安定指数をＢ（例えば、「0.2」）、定数をａ（例えば、「３」）、補正後の緩和解目標安定指数、予測解目標安定指数又は下位ＥＭ向け目標安定指数をＡ´として、緩和解目標安定指数算出部９１や、予測解目標安定指数算出部９２及び下位ＥＭ向け目標安定指数算出部９３が次式
ただし、このように補正した場合、補正後の緩和解目標安定指数、予測解目標安定指数及び又は下位ＥＭ向け目標安定指数が小数点以下の値を持つようになる場合がある。この場合には、緩和解目標安定指数算出部９１や、予測解目標安定指数算出部９２及び下位ＥＭ向け目標安定指数算出部９３が、算出した緩和解目標安定指数や、予測解目標安定指数又は下位ＥＭ向け目標安定指数をそのまま計画部３７や、第１～第３予測部３１～３３又は下位のエネルギー運用装置１０に出力し、その緩和解目標安定指数、予測解目標安定指数又は下位ＥＭ向け目標安定指数を受領した計画部３７、第１～第３予測部３１～３３又は下位のエネルギー運用装置１０において、その緩和解目標安定指数、予測解目標安定指数又は下位ＥＭ向け目標安定指数の整数部分の値に基づいて上述と同様の処理を実行するようにエネルギー運用装置１０を構築すればよい。
However, when corrected in this way, the corrected relaxed solution target stability index, predicted solution target stability index, and / or target stability index for lower EM may have a value after the decimal point. In this case, the relaxation solution target stability
他方、計画部３７は、第３予測部３３の回帰予測処理部７２から与えられたエネルギー需要の予測値と、解品質コントロール部３６の緩和解目標安定指数算出部９１から与えられた緩和解目標安定指数とに基づいて自エネルギー運用装置１０の役割に応じた計画を立案する機能を有する機能部であり、制約緩和処理部１００及び計画処理部１０１から構成される。
On the other hand, the
制約緩和処理部１００は、外部記憶装置１３に格納された制約緩和処理プログラム１００Ｐ（図５）をＣＰＵ１１が実行することにより具現化される機能部である。制約緩和処理部１００は、解品質コントロール部３６の緩和解目標安定指数算出部９１から与えられる緩和解目標安定指数の値に基づいて、後述のように計画処理部１０１が立案する計画に対する厳密解からの許容ギャップ率を当該計画処理部１０１に設定する。
The constraint
実際上、制約緩和処理部１００は、図１０に示すように、緩和解目標安定指数の各値に対して予め設定された厳密解からの許容ギャップ率が規定された第４のテーブル１０２を保持している。この第４のテーブル１０２は、予めユーザにより作成されたものである。なお、第４のテーブル１０２では、予測解目標安定指数の値が大きいほど（品質が高いほど）、より安定的かつ迅速に予測結果を得られるように許容ギャップ率が大きく、予測解目標安定指数の値が小さいほど（品質が低いほど）、より精密な予測結果が得られるように許容ギャップ率が小さく設定される。
In practice, as shown in FIG. 10, the constraint
そして制約緩和処理部１００は、解品質コントロール部３６の緩和解目標安定指数算出部９１から緩和解目標安定指数が与えられると、その緩和解目標安定指数の値について設定された許容ギャップ率を第４のテーブル１０２から読み出し、読み出した許容ギャップ率を計画処理部１０１に設定する。
Then, when the relaxation solution target stability index is given by the relaxation solution target stability
計画処理部１０１は、外部記憶装置１３に格納された計画処理プログラム１０１Ｐ（図５）をＣＰＵ１１が実行することにより具現化される機能部である。計画処理部１０１は、第３予測部３３の回帰予測処理部７２から与えられたエネルギー需要の予測値に基づき、制約緩和処理部１００により設定された許容ギャップ率の範囲内で自エネルギー運用装置１０の役割に応じたエネルギー供給に関する計画を立案し、立案した計画に従って対応する外部装置を制御する。
The
例えば、図４に示すエネルギー運用システム１において、各需要家４のエネルギー運用装置２ＡＤや発電所５のエネルギー運用装置２ＡＤは、自エネルギー運用装置２ＡＤに接続された発電機６や負荷７を制御する計画を立案し、立案した計画に従ってこれら発電機６や負荷７を制御する。またアグリゲータ８のエネルギー運用装置２ＡＤは、自エネルギー運用装置２ＡＤに接続された下位のエネルギー運用装置２ＡＤを制御する計画を立案し、立案した計画に従って、これら下位のエネルギー運用装置２ＡＤを制御する。
For example, in the
さらに発電小売会社のエネルギー運用会社のエネルギー運用装置２ＢＢＢは、電力取引所に電力を受発注する計画や管理エリア内の発電機６や負荷６を制御する計画を立案し、立案した計画に従って、電力取引所に電力を受発注したり、下位のエネルギー運用装置２ＡＤにエネルギー供給に関する指示を与える。通常、電力取引所２ＢＡは30分単位（あるいは15分や１時間単位）での電力取引を行うため、エネルギー運用装置２ＢＢＢも30分単位での予測や計画を行う。
Furthermore, the energy management device 2BBB of the energy management company of the power generation retail company formulates a plan for ordering and ordering power from the power exchange and a plan for controlling the
さらに地域送電会社のエネルギー運用装置２ＢＢＡは、30分に満たない時間間隔を含めた、瞬時瞬時の電力の発生（ポジワット、ネガワットの発生）を瞬時瞬時の電力の消費に一致させる計画と制御を行う。瞬時瞬時に電力を実際の需要の変動に合わせて発生させることを調整力と呼び、エネルギー運用装置２ＢＢＡは、必要となる調整力の量を将来の時間断面に対して予測し、調整力取引所２ＢＣに対して調整力を発注する計画を行い、受注した調整力の供出元である発電所のエネルギー運用装置２ＡＤと、アグリゲータ８のエネルギー運用装置２ＡＤに対して制御の指示を行う。調整力の制御の指示に対しては、発電所のエネルギー運用装置２ＡＤと、アグリゲータ８のエネルギー運用装置２ＡＤは、他に優先してこれに従う。
Furthermore, the energy operation device 2BBA of the regional transmission company plans and controls the instantaneous power generation (positive watt, negawatt generation) including the time interval of less than 30 minutes to match the instantaneous power consumption. .. Generating electric power instantly and instantly according to fluctuations in actual demand is called coordinating force, and the energy operation device 2BBA predicts the amount of coordinating force required for a future time section, and the coordinating force exchange. A plan is made to order the adjusting force from 2BC, and control instructions are given to the energy operating device 2AD of the power plant and the energy operating device 2AD of the
（１－３）処理の流れ
（１－３－１）エネルギー運用装置における処理の流れ
図１１は、本エネルギー運用装置１０において実行されるエネルギー供給の計画及び制御に関する一連の処理の流れ（以下、これをエネルギー供給計画及び制御処理と呼ぶ）を示す。このエネルギー供給計画及び制御処理は、定期的に実行される。
(1-3) Process flow (1-3-1) Process flow in the energy operation device FIG. 11 shows a series of process flows related to energy supply planning and control executed in the energy operation device 10 (hereinafter, This is called energy supply planning and control processing). This energy supply planning and control process is carried out on a regular basis.
本エネルギー運用装置１０では、まず、解品質コントロール部３６（図６）において、前回のエネルギー供給計画及び制御処理においてコンディション評価部３４（図６）のタグデータ書出し部８２（図６）により外部記憶装置１３の所定の記憶領域に書き出された気象コンディションのタグ値及びエネルギー需要密度コンディションのタグ値と、前回のエネルギー供給計画及び制御処理においてコンフィグレーション入力部３５（図６）から与えられた下位ＥＭ向け目標安定指数とに基づいて、緩和解目標安定指数と、第１～第３予測部３１～３３（図６）に与える予測解目標安定指数と、下位のエネルギー運用装置１０に与える下位ＥＭ向け目標安定指数とをそれぞれ算出する（Ｓ１）。
In the
続いて、第１予測部３１が、気象データ蓄積部４１（図６）に蓄積された過去の気象データと、解品質コントロール部３６から与えられた予測解目標安定指数とに基づいて、自エネルギー運用装置１０の管理エリアにおける将来の気象を予測し、予測結果をコンディション評価部３４に出力する（Ｓ２）。
Subsequently, the
次いで、第２の予測部３２が、需要要因データ蓄積部４２に蓄積された各需要要因の観測値と、解品質コントロール部３６から与えられた予測解目標安定指数とに基づいて、自エネルギー運用装置１０の管理エリアにおける将来のエネルギー需要密度を予測し、予測結果を第３予測部３３及びコンディション評価部３４にそれぞれ出力する（Ｓ３）。
Next, the
この後、コンディション評価部３４が、第１予測部３１から与えられた自エネルギー運用装置１０の管理エリアにおける気象の予測結果と、第２の予測部３２から与えられた自エネルギー運用装置１０の管理エリアにおける将来のエネルギー需要密度の予測結果とに基づいて、気象コンディション及びエネルギー需要密度コンディションの時間的及び空間的な分散状態を評価し、気象コンディションの将来の状況を表すタグ値と、エネルギー需要密度コンディションの将来の状況を表すタグ値とをそれぞれ外部記憶装置１３の所定の記憶領域に書き出す（Ｓ４）。
After that, the
続いて、コンフィグレーション入力部３５（図６）が、上位のエネルギー運用装置１０から与えられ又は入出力インタフェース１４（図５）の入力装置２１（図５）を用いてユーザにより指定された下位ＥＭ向け目標安定指数を取り込み、これを解品質コントロール部３６に出力する（Ｓ５）。
Subsequently, the configuration input unit 35 (FIG. 6) is given by the upper
次いで、解品質コントロール部３６が、そのときコンディション評価部３４が外部記憶装置１３の所定の記憶領域に書き出した気象コンディション及びエネルギー需要密度コンディションの各タグ値と、そのときコンフィグレーション入力部３５から与えられた下位ＥＭ向け目標安定指数とに基づいて、緩和解目標安定指数と、第１～第３予測部３１～３３に対する予測解目標安定指数と、下位のエネルギー運用装置１０に対する下位ＥＭ向け目標安定指数とをそれぞれ取得する。また解品質コントロール部３６は、取得した緩和解目標安定指数を計画部３７（図６）に出力し、取得した第１～第３予測部３１～３３に対する予測解目標安定指数をそれぞれ対応する第１～第３予測部３１～３３に出力し、下位ＥＭ向け目標安定指数を通信装置１５（図５）を介して下位のエネルギー運用装置１０に出力する（Ｓ６）。
Next, the solution
また第３予測部３３が、参照データ蓄積部３０（図６）の需要データ蓄積部４０（図６）に蓄積された需要データ、気象データ蓄積部４１（図６）に蓄積された気象データ、需要要因データ蓄積部４２（図６）に蓄積された各需要要因に関する計測値、及び、市場データ蓄積部４３（図６）に蓄積された市場データのうちの必要なデータと、第２予測部３２から与えられた自エネルギー運用装置の管理エリアにおける将来のエネルギー需要密度の予測結果とに基づいて、当該管理エリアにおける将来のエネルギー需要を予測し、予測結果を計画部３７に出力する（Ｓ７）。
Further, the
さらに計画部３７が、第３予測部３３から与えられた自エネルギー運用装置１０の管理エリアにおける将来のエネルギー需要密度の予測結果と、解品質コントロール部３６から与えられた緩和解目標安定指数とに基づいて、当該管理エリアにおける将来のエネルギー供給の計画を立案し、立案した計画に従って対応する外部機器を制御する（Ｓ８）。
Further, the
以上により、一連のエネルギー供給計画及び制御処理が終了する。なお、ステップＳ２及びステップＳ３の処理や、ステップＳ４及びステップＳ５の処理を並列的に実行するようにしてもよく、さらにステップＳ７の処理をステップＳ４～ステップＳ６の処理と並列的に実行するようにしてもよい。 As a result, a series of energy supply planning and control processing is completed. The processes of steps S2 and S3 and the processes of steps S4 and S5 may be executed in parallel, and the processes of step S7 may be executed in parallel with the processes of steps S4 to S6. It may be.
（１－３－２）第１予測処理
図１２は、図１１について上述したエネルギー供給計画及び制御処理のステップＳ２において、第１予測部３１により実行される第１予測処理の具体的な処理内容を示す。
(1-3-2) First Prediction Processing FIG. 12 shows specific processing contents of the first prediction processing executed by the
エネルギー供給計画及び制御処理がステップＳ１に進むと、第１予測部３１においてこの図１２に示す第１予測処理が開始され、まず、参照ポイント調整処理部５０（図６）が、そのとき解品質コントロール部３６から与えられた予測解目標安定指数の値に応じた品質で自エネルギー運用装置１０の管理エリアの将来の気象を予測するための参照ポイントを決定する（Ｓ１０）。この決定は、第１のテーブル５６（図７）において規定された、解品質コントロール部３６から与えられた予測解目標安定指数の値に応じた気象グリッドを参照ポイントとして決定することにより行われる。
When the energy supply planning and control processing proceeds to step S1, the first prediction processing shown in FIG. 12 is started in the
続いて第１データ同化部５２（図６）のデータ同化処理部５１（図６）が、参照ポイント調整処理部５０により決定された参照ポイントを重視した、気象データと、物理シミュレーション部により実行された物理シミュレーションのシミュレーション結果のデータとをデータ同化させるデータ同化処理を実行する（Ｓ１１）。
Subsequently, the data assimilation processing unit 51 (FIG. 6) of the first data assimilation unit 52 (FIG. 6) is executed by the meteorological data and the physical simulation unit, which emphasizes the reference point determined by the reference point
次いで、物理シミュレーション部５５（図６）が、データ同化処理部５１から与えられた各参照ポイントの気象データに基づいて、これら各参照ポイントにおける気象の物理シミュレーションを実行する（Ｓ１２）。また物理シミュレーション部５５は、かかる物理シミュレーションのシミュレーション結果が予め設定された閾値以内に収束したか否かを判定する（Ｓ１３）。
Next, the physics simulation unit 55 (FIG. 6) executes a physics simulation of the weather at each reference point based on the meteorological data of each reference point given by the data assimilation processing unit 51 (S12). Further, the
そしてステップＳ１３の判定で否定結果が得られた場合、この後、かかる物理シミュレーションのシミュレーション結果が予め設定された閾値以内に収束するまでステップＳ１１～ステップＳ１３の処理が繰り返される。 If a negative result is obtained in the determination in step S13, the processes of steps S11 to S13 are repeated until the simulation result of the physical simulation converges within a preset threshold value.
またステップＳ１３の判定で肯定結果が得られた場合、機動的観測用参照ポイント調整処理部５３（図６）が、機動的な観測によりそのとき気象データが得られた気象グリッドの中から、そのとき解品質コントロール部３６から与えられた予測解目標安定指数の値に応じた品質で自エネルギー運用装置１０の管理エリアの将来の気象を予測するための参照ポイントを決定する（Ｓ１４）。
If an affirmative result is obtained in the determination in step S13, the reference point adjustment processing unit 53 (FIG. 6) for agile observation selects the meteorological grid from the meteorological grid from which the meteorological data was obtained at that time by the agile observation. When the quality of the predicted solution target stability index given by the solution
続いて逐次データ同化処理部５４（図６）が、機動的観測用参照ポイント調整処理部５３により決定された参照ポイントを重視した気象データと、物理シミュレーション部５５により実行された物理シミュレーションのシミュレーション結果のデータとをデータ同化させるデータ同化処理を実行する（Ｓ１５）。
Subsequently, the sequential data assimilation processing unit 54 (FIG. 6) attaches importance to the reference point determined by the reference point
次いで、物理シミュレーション部５５が、逐次データ同化処理部５４から与えられた各参照ポイントの気象データと、ステップＳ１２の物理シミュレーションで生成したシミュレーションモデルとに基づいて、これら各参照ポイントにおける気象の物理シミュレーションを実行する（Ｓ１６）。これによりステップＳ１２で生成されたシミュレーションモデルが機動的観測により得られた現在の気象データに基づいて補正される。また物理シミュレーション部５５は、この物理シミュレーションのシミュレーション結果が予め設定された閾値以内に収束したか否かを判定する（Ｓ１７）。
Next, the
そしてステップＳ１７の判定で否定結果が得られた場合、この後、かかる物理シミュレーションのシミュレーション結果が予め設定された閾値以内に収束するまでステップＳ１５～ステップＳ１７の処理が繰り返される。また、この後、ステップＳ１７の判定で肯定結果が得られた場合、物理シミュレーション部５５がかかる物理シミュレーションのシミュレーション結果をコンディション評価部３４に出力した後にこの第１予測処理が終了する。
If a negative result is obtained in the determination in step S17, the processes of steps S15 to S17 are repeated until the simulation result of the physical simulation converges within a preset threshold value. After that, if an affirmative result is obtained in the determination in step S17, the first prediction process ends after the
（１－３－３）第２予測処理
図１３は、図１１について上述したエネルギー供給計画及び制御処理のステップＳ３において、第２予測部３２により実行される第２予測処理の具体的な処理内容を示す。
(1-3-3) Second Prediction Process FIG. 13 shows specific processing contents of the second prediction process executed by the
エネルギー供給計画及び制御処理がステップＳ３に進むと、第２予測部３２においてこの図１３に示す第２予測処理が開始され、まず、第２データ同化部６２の参照ポイント調整処理部６０（図６）が、そのとき解品質コントロール部３６から与えられた予測解目標安定指数の値に応じた品質で自エネルギー運用装置１０の管理エリアの将来のエネルギー需要密度を予測するための参照ポイントを決定する（Ｓ２０）。
When the energy supply planning and control processing proceeds to step S3, the second prediction processing shown in FIG. 13 is started in the
続いて第２データ同化部６２のデータ同化処理部６１が、参照ポイント調整処理部６０により決定された参照ポイントを重視した、各需要要因の観測データと、物理シミュレーション部６３により実行された物理シミュレーションのシミュレーション結果のデータとをデータ同化させるデータ同化処理を実行する（Ｓ２１）。
Subsequently, the data
次いで、物理シミュレーション部６３が、データ同化処理部６１から与えられた各参照ポイントにおける需要要因の観測データに基づいて、これら各参照ポイントにおけるエネルギー需要密度の物理シミュレーションを実行する（Ｓ２２）。また物理シミュレーション部６３は、かかる物理シミュレーションのシミュレーション結果が予め設定された閾値以内に収束したか否かを判定する（Ｓ２３）。
Next, the
そしてステップＳ２３の判定で否定結果が得られた場合、この後、かかる物理シミュレーションのシミュレーション結果が予め設定された閾値以内に収束するまでステップＳ２１～ステップＳ２３の処理が繰り返される。そして、この後、ステップＳ２３の判定で肯定結果が得られると、物理シミュレーション部６３が物理シミュレーション結果を第３予測部３３の回帰予測処理部７２（図６）と、コンディション評価部３４（図６）とに出力した後にこの第２予測処理が終了する。
If a negative result is obtained in the determination in step S23, the processes of steps S21 to S23 are repeated until the simulation result of the physical simulation converges within a preset threshold value. After that, when an affirmative result is obtained in the determination in step S23, the
（１－３－４）コンディション評価処理
図１４は、図１１について上述したエネルギー供給計画及び制御処理のステップＳ４において、コンディション評価部３４により実行されるコンディション評価処理の具体的な処理内容を示す。
(1-3-4) Condition Evaluation Process FIG. 14 shows a specific processing content of the condition evaluation process executed by the
エネルギー供給計画及び制御処理がステップＳ４に進むと、コンディション評価部３４においてこの図１４に示すコンディション評価処理が開始され、まず、時間的データ分布形状評価部８０（図６）が、第１の予測部３１の物理シミュレーション部５５により実行された物理シミュレーションのシミュレーション結果として得られた各参照ポイントの気象データの予測値の時間的な変化の大きさを、例えば、これら予測値の分散状態（分散値）により評価し加重平均する（Ｓ３０）。
When the energy supply planning and control processing proceeds to step S4, the condition evaluation process shown in FIG. 14 is started in the
続いて、空間的データ分布形状評価部８１（図６）が、第１及び第２予測部３１，３２の各物理シミュレーション部５５，６３において実行された物理シミュレーションで得られた各参照ポイントの予測値に基づいて、水平方向と平行な同一平面上の各参照ポイント間や、鉛直方向と平行な同一平面上の各参照ポイント間の予測値の変化を、同一時間断面での予測値の分散状態（分散値）により評価する（Ｓ３１）。
Subsequently, the spatial data distribution shape evaluation unit 81 (FIG. 6) predicts each reference point obtained by the physical simulation executed by the
予測値の分散状況（分散値）に変わり、予測値の分布の形状の多峰性の程度によりコンディション評価を行なうようにしてもよい。空間的データからのオブジェクト抽出数（例えば気象の同一気圧平面の分割数）から決定してもよく、また、所定時間（例えば１時間）毎に設けた時間断面の予測時の時系列のスペクトル解析でのパワースペクトル密度（変動の強さ）で評価しても良い。これらの分布形状評価では、計算処理時間が増えるが、より適切な評価が行えることがある。 The condition may be evaluated according to the degree of multimodality of the shape of the distribution of the predicted values instead of the dispersion status (dispersion value) of the predicted values. It may be determined from the number of objects extracted from the spatial data (for example, the number of divisions of the same atmospheric pressure plane of the weather), and the time-series spectral analysis at the time of predicting the time cross section provided at predetermined time (for example, 1 hour). It may be evaluated by the power spectrum density (strength of fluctuation) in. In these distribution shape evaluations, the calculation processing time increases, but more appropriate evaluation may be possible.
次いで、タグデータ書出し部８２（図６）が、時間的データ分布形状評価部８０の評価結果（分散値）と、空間的データ分布形状評価部８１の評価結果（分散値）とに基づいて、第１予測部３１の物理シミュレーション部５５により実行されたシミュレーションで得られた将来的な気象コンディションと、第２予測部３２の物理シミュレーション部６３により実行されたシミュレーションで得られた将来的なエネルギー需要密度コンディションとの安定性を判定し、判定結果に応じたこれら気象コンディション及びエネルギー需要密度コンディションの各タグ値を外部記憶装置１３の所定の記憶領域に書き出す（Ｓ３２）。以上により、このコンディション評価処理が終了する。
Next, the tag data writing unit 82 (FIG. 6) is based on the evaluation result (dispersion value) of the temporal data distribution
空間的データ分布形状評価では、将来時間断面のデータ分布よりも、直近時刻のデータの分布や、参照データ蓄積部に蓄積された観測データのそのものの分布（標本分布）に対しての評価を行うことが含まれる。また、空間的データ分布形状評価は、各時間断面に対して行われ、タグデータは各々の評価に対して付与されるようにしてもよい。本実施の形態では、主たる予測対象の時間断面（例えば翌日１４時）の評価結果に対してタグデータを付与している。 In the spatial data distribution shape evaluation, the distribution of the data at the latest time and the distribution of the observation data itself (sample distribution) accumulated in the reference data storage unit are evaluated rather than the data distribution of the future time cross section. That is included. Further, the spatial data distribution shape evaluation may be performed for each time cross section, and the tag data may be given to each evaluation. In the present embodiment, tag data is added to the evaluation result of the time cross section (for example, 14:00 the next day) of the main prediction target.
（１－３－５）コンフィグレーション入力処理
図１５は、図１１について上述したエネルギー供給計画及び制御処理のステップＳ５において、コンフィグレーション入力部３５（図６）により実行されるコンフィグレーション入力処理の具体的な処理内容を示す。
(1-3-5) Configuration Input Process FIG. 15 shows a specific configuration input process executed by the configuration input unit 35 (FIG. 6) in step S5 of the energy supply planning and control process described above with respect to FIG. Processing content is shown.
エネルギー供給計画及び制御処理がステップＳ５に進むと、コンフィグレーション入力部３５においてこの図１５に示すコンフィグレーション入力処理が開始され、まず、連携する上位のエネルギー運用装置１０又は入出力インタフェース１４を介してユーザにより設定された下位ＥＭ向け目標安定指数を取り込む（Ｓ４０）。そしてコンフィグレーション入力部３５は、この後、このコンフィグレーション入力処理を終了する。
When the energy supply planning and control processing proceeds to step S5, the configuration input process shown in FIG. 15 is started in the
（１－３－６）解品質コントロール処理
図１６は、図１１について上述したエネルギー供給計画及び制御処理のステップＳ６において、解品質コントロール部３６により実行される解品質コントロール処理の具体的な処理内容を示す。
(1-3-6) Solution Quality Control Process FIG. 16 shows specific processing contents of the solution quality control process executed by the solution
エネルギー供給計画及び制御処理がステップＳ６に進むと、解品質コントロール部３６においてこの図１６に示す解品質コントロール処理が開始され、まず、緩和解目標安定指数算出部９１（図６）が、コンディション評価処理（図１４）のステップＳ３２でタグデータ書出し部８２が外部記憶装置１３の所定の記憶領域に書き出した気象コンディション及びエネルギー需要密度コンディションの各タグ値を読み出す。また緩和解目標安定指数算出部９１は、読み出したこれらのタグ値に基づいて、対応する緩和解目標安定指数を第３のテーブル９０（図９）から読み出し、読み出した緩和解目標安定指数を計画部３７（図６）の制約緩和処理部１００（図６）に出力する（Ｓ５０）。
When the energy supply planning and control processing proceed to step S6, the solution quality control process shown in FIG. 16 is started in the solution
続いて、予測解目標安定指数算出部９２（図６）が、緩和解目標安定指数算出部９１と同様にして気象コンディション及びエネルギー需要密度コンディションの各タグ値を読み出し、読み出したこれらのタグ値に基づいて、対応する第１～第３予測部３１～３３ごとの予測解目標安定指数を第３のテーブル９０からそれぞれ読み出し、読み出したこれらの予測解目標安定指数をそれぞれ対応する第１～第３予測部３１～３３に出力する（Ｓ５１）。
Subsequently, the predicted solution target stability index calculation unit 92 (FIG. 6) reads out each tag value of the weather condition and the energy demand density condition in the same manner as the mitigation solution target stability
次いで、下位ＥＭ向け目標安定指数算出部９３が、緩和解目標安定指数算出部９１と同様にして気象コンディション及びエネルギー需要密度コンディションの各タグ値を読み出し、読み出したこれらのタグ値に基づいて、対応する下位ＥＭ向け目標安定指数を第３のテーブル９０から読み出し、読み出した下位ＥＭ向け目標安定指数を連携する下位のエネルギー運用装置１０に送信する（Ｓ５２）。以上により、この解品質コントロール処理が終了する。
Next, the target stability
（１－３－７）第３予測処理
図１７は、図１１について上述したエネルギー供給計画及び制御処理のステップＳ７において、第３予測部３３により実行される第３予測処理の具体的な処理内容を示す。
(1-3-7) Third Prediction Process FIG. 17 shows specific processing contents of the third prediction process executed by the
エネルギー供給計画及び制御処理がステップＳ７に進むと、第３予測部３３においてこの図１７に示す第３予測処理が開始され、まず、参照ポイント調整処理部７０が、そのとき解品質コントロール部３６から与えられた予測解目標安定指数の値に応じた品質で自エネルギー運用装置１０の管理エリア内の将来のエネルギー需要（電力需要）の予測を行うために、回帰モデル生成部７１（図６）が生成すべき回帰モデルの種類及びその回帰モデルの条件を第２のテーブル７３（図８）から読み出し、読み出した回帰モデルの種類及びその回帰モデルの条件を回帰モデル生成部７１に出力する（Ｓ６０）。
When the energy supply planning and control processing proceeds to step S7, the third prediction processing shown in FIG. 17 is started in the
続いて、回帰モデル生成部７１が、参照ポイント調整処理部７０から与えられた回帰モデルの種類及びその回帰モデルの条件に合致した、自エネルギー運用装置１０の管理エリアにおけるエネルギー需要と説明変数との間の回帰モデルを生成し（Ｓ６１）、生成した回帰モデルを回帰予測処理部７２（図６）に出力する。
Subsequently, the regression
次いで、回帰予測処理部７２が、必要な説明変数の値を参照データ蓄積部３０及び第２予測部３２の物理シミュレーション部６３から与えられるシミュレーション結果から取得し、取得した値を回帰モデル生成部７１から与えられた回帰モデルに当てはめることにより自エネルギー運用装置１０の管理エリアにおける時間断面（指定時刻）のエネルギー需要の予測値を算出する。そして回帰予測処理部７２は、算出したエネルギー需要の予測値を計画部３７（図６）の計画処理部１０１（図６）に出力する（Ｓ６２）。以上により、この第３予測処理が終了する。
Next, the regression
（１－３－８）計画処理
図１８は、図１１について上述したエネルギー供給計画及び制御処理のステップＳ８において、計画部３７において実行される計画処理の具体的な処理内容を示す。
(1-3-8) Planning Process FIG. 18 shows a specific processing content of the planning process executed by the
エネルギー供給計画及び制御処理がステップＳ８に進むと、計画部３７においてこの図１８に示す計画処理が開始され、まず、制約緩和処理部１００（図６）が、解品質コントロール部３６の緩和解目標安定指数算出部９１から与えられた緩和解目標安定指数の値に基づいて、計画処理部１０１が立案する計画に対する厳密解からの許容ギャップ率を当該計画処理部１０１に設定する（Ｓ７０）。
When the energy supply planning and control processing proceeds to step S8, the
続いて、計画処理部１０１が、第３予測部３３の回帰予測処理部７２から与えられたエネルギー需要の予測値に基づき、制約緩和処理部１００により設定された許容ギャップ率の範囲内で自エネルギー運用装置１０の役割に応じたエネルギー供給の計画を立案し、立案した計画に従って外部装置を制御する（Ｓ７１）。以上により、この計画処理が終了する。
Subsequently, the
計画処理部１０１の処理は、発電（市場からの買電とネガワットを含む）をいつ起動し稼働させるかという起動停止問題の制約条件付き最適化問題の解法として知られている分岐限定法や、内点法の処理を行う。分岐限定法又は内点法の計算の打ち切り条件であるギャップ（上界と下界の差）の上界/下界からの率を許容ギャップ率として用いている。
The processing of the
本実施の形態のほかに、需要や気象の条件を場合分けし、条件のもとでどのような発電の稼働により供給を得るかのデータを分類した発電パターンをもとに、条件に該当する発電パターンを計画結果とする発電パターン式計画処理を行なうようにしても良い。需要と気象の場合分け数又は類似する発電パターンの生成数を増加減するようにしてもよい。 In addition to the present embodiment, the conditions are applicable based on the power generation pattern in which the demand and weather conditions are classified into cases and the data on what kind of power generation operation is used to obtain the supply under the conditions is classified. The power generation pattern type planning process using the power generation pattern as the planning result may be performed. The number of cases of demand and weather or the number of generations of similar power generation patterns may be increased or decreased.
この場合、解品質コントロール部３６からの目標安定指数が小さい（解の安定性の品質が低いかわりに、精密な計画が意図される）ときには、制約緩和処理部１００は、需要と気象の場合分けの数又は発電パターンの生成の数を増やし、目標安定指数が大きい（解の安定性の品質が高く、多少の需要と気象の条件の算定誤差があっても計画の解が大きく変わらない）ときには、制約緩和処理部１００は、需要と気象の場合分けの数又は発電パターンの生成の数を減らすようするにする。
In this case, when the target stability index from the solution
場合分けの数や発電パターンの数が多いと、最適化問題の厳密解により近い発電パターンが計画結果として得られるが、需要や気象の条件の誤りによっては発電の運用が困難になる。一方で、場合分けの数や発電パターンの数が少ないと、余裕のある平均的な発電パターンが計画結果として出力され、最適化問題の厳密解との一致度は低いが、需要や気象の条件に微細な変動（フリンジ）があっても発電の運用を行うことができる。 If the number of cases and the number of power generation patterns are large, a power generation pattern that is closer to the exact solution of the optimization problem can be obtained as a planning result, but power generation operation becomes difficult depending on an error in demand or weather conditions. On the other hand, if the number of cases and the number of power generation patterns are small, a generous average power generation pattern is output as the planning result, and the degree of agreement with the exact solution of the optimization problem is low, but demand and weather conditions. It is possible to operate power generation even if there are minute fluctuations (fringes) in the power generation.
（１－４）本実施の形態の効果
以上のように本実施の形態のエネルギー運用システム１では、エネルギー運用装置１０がその管理エリア内における気象コンディション及びエネルギー需要密度コンディションと、上位のエネルギー運用装置１０から与えられた目標安定指数（下位ＥＭ向け目標安定指数）の値とに基づいて当該管理エリア内のエネルギー需要やエネルギー供給の計画の精度をコントロールする。
(1-4) Effect of the present embodiment As described above, in the
この場合において、エネルギー運用システム１の形態によっては、将来のエネルギー需要の予測で利用できる情報が電力系統の発電所や１次変電所で計測されるデータに限られる場合がある。このように需要家の活動地域での空調利用や交通利用や産業の物理モデルを十分に利用できない限定的な物理モデルに基づく予測では、系統誤差バイアスが発生し、エネルギー需要の予測精度が低下する。この点について、本実施の形態のエネルギー運用装置１０では、管理エリアの道路交通量や、通信発生量などの各種需要要因の観測値（観測データ）をも利用してエネルギー需要を予測するため、エネルギー需要の予測精度が低下するのを未然に防止することができる。
In this case, depending on the form of the
またエネルギー需要の予測で利用できる情報がデータベースに記録された観測値（観測データ）に限られている場合には、十分な再現性のある回帰モデルの生成を行えず、回帰モデルが不安定化する問題がある。このような不安定な回帰モデルを利用した予測では、例えば、10年来の最高気温日の感想データといった希少な数値の観測データの数個の追加により回帰モデルが変化するおそれがあり、確率的な誤差バリアンスが発生し、エネルギーの需要予測の精度が低下する。この点について、本実施の形態のエネルギー運用装置１０では、第１予測部３１において、現在の気象データをも利用するため、このような問題が発生することを抑制することができる。
In addition, if the information that can be used for forecasting energy demand is limited to the observed values (observed data) recorded in the database, it is not possible to generate a regression model with sufficient reproducibility, and the regression model becomes unstable. There is a problem to do. In the forecast using such an unstable regression model, the regression model may change due to the addition of several rare numerical observation data such as the impression data of the highest temperature day for 10 years, which is probabilistic. Error variance occurs and the accuracy of energy demand forecast is reduced. Regarding this point, in the
そして本実施の形態のエネルギー運用装置１０では、以上のような処理を行うことにより、高バイアス・低バリアンスな予測や、低バイアス・高バリアンスな予測といった、各種気象及びエネルギー需要密度のコンディションに適した予測を行うといった予測処理の切り替えが可能となる。あるいは、予測モデル（回帰モデル）を用いた将来状態の探求した解である予測値に関わり、安定性の高い解を得るか、又は、厳密性の高い解を得るか予測処理の切り替えが可能となる。
The
ここで、「厳密性の高い解」とは、精密なモデル（再現性（reproducibility）の良好なモデル）から得られた解を指す。例えば、多数の説明変数を用いた誤りのない精緻な回帰モデルが生成されているという理想的な環境下での予測処理では、誤差が少ない高精度な予測値（すなわち厳密性の高い予測値）となる。しかしながら、誤りを含まない精緻なモデルを生成できるとは限らない。例えば、回帰モデルは、サンプルデータの集合の境界付近のサンプル（例えば、気温が10年来の最高気温であった場合の気温を含む複雑な気象データと需要データとの関係のサンプルデータ）が複数追加された場合にサンプルの追加に比例して大きく変化してしまう。 Here, the "highly rigorous solution" refers to a solution obtained from a precise model (a model with good reproducibility). For example, in the prediction process in an ideal environment where an error-free and precise regression model using a large number of explanatory variables is generated, a highly accurate prediction value with few errors (that is, a highly accurate prediction value). It becomes. However, it is not always possible to generate a precise model that does not include errors. For example, the regression model adds multiple samples near the boundary of a set of sample data (for example, sample data of the relationship between demand data and complex meteorological data including the temperature when the temperature is the highest temperature in 10 years). If this is done, it will change significantly in proportion to the addition of samples.
また「安定性の高い解」とは、例えば、サンプルデータの追加など数学的な条件変化に対して、大きな変化がない正確さの高い回帰モデルによる解を指す。「安全性の高い解」は、多少の誤差を含むが、都度サンプルの追加を行いながら、予測処理を繰り返した場合にも平均として大きな誤差を生じさせず、また解の各々の間の偏差は小さい（つまり安定している）。例えば、過去10年間の需要データの加重平均モデルの解を予測値とする予測処理では、数日のデータが追加されても解の変化は微小となり、解と解との偏差は小さい。 Further, the "highly stable solution" refers to a solution based on a highly accurate regression model that does not change significantly with respect to mathematical condition changes such as addition of sample data. The "highly safe solution" contains some errors, but it does not cause a large error on average even when the prediction process is repeated while adding samples each time, and the deviation between each solution is Small (ie stable). For example, in the prediction process in which the solution of the weighted average model of the demand data for the past 10 years is used as the prediction value, the change in the solution is small even if the data for several days is added, and the deviation between the solutions is small.
このように、本実施の形態のエネルギー運用システム１では、各エネルギー運用装置１０がその管理エリア内における気象コンディション及びエネルギー需要密度コンディションに基づいて当該管理エリア内のエネルギー需要やエネルギー供給の計画の精度をコントロールするため、管理エリア内の気象コンディション及びエネルギー需要密度コンディションに対して適切な解の品質であるところの解の安定性及び厳密性（解の正確性や解の時間粒度の細かさ）を満たす解を得ることができ、このような解に基づくエネルギーの運用を行うことができるため、エネルギーの安定した供給や調整制御を行うことができる。
As described above, in the
（２）第２の実施の形態
図６との対応部分に同一符号を付して示す図１９は、第１の実施の形態のエネルギー運用装置１０に変えて図４に示すエネルギー運用システム１に適用される第２の実施の形態によるエネルギー運用装置１１０を示す。このエネルギー運用装置１１０は、第２予測部１１１が、自エネルギー運用装置１１０の管理エリア内の将来のエネルギー需要密度に代えて、当該管理エリア内の将来の発電密度を予測する点が第１の実施の形態のエネルギー運用装置１０と大きく相違し、これ以外は第１の実施の形態のエネルギー運用装置１０とほぼ同様である。
(2) FIG. 19 showing the corresponding parts of the second embodiment with the same reference numerals is shown in the
実際上、本エネルギー運用装置１１０では、参照データ蓄積部１１２に、市場データ蓄積部４３（図６）に代えて、エネルギー運用システム１内の太陽光発電装置、風力発電装置、火力発電装置などの発電を行う各発電デバイス１１３（発電機６）をそれぞれ管理するエネルギー運用装置１１４から収集したこれら発電デバイス１１３の発電状態を表すデータ（以下、これを発電状態データと呼ぶ）を蓄積する発電状態データ蓄積部１１５が設けられている。
In practice, in the
そして第２予測部１１１の物理シミュレーション部１１６は、自エネルギー運用装置１１０の管理エリア内の発電デバイス１１３の将来の発電密度（単位面積当たりの発電量）の物理シミュレーションを実行し、データ同化処理部６１は、かかる発電状態データ蓄積部１１５に蓄積された発電状態データと、物理シミュレーション部１１６により実行された物理シミュレーションのシミュレーション結果のデータ（つまり参照ポイント調整処理部６０により決定された各参照ポイントにおける発電密度の予測結果）とをデータ同化させるデータ同化処理を実行する。
Then, the
かかる発電密度の予測は、例えば、例えば、気象シミュレーションの気象グリッドで区切られた例えば20〔km〕×20〔km〕のメッシュの面（以下、これをメッシュ面と呼ぶ）内に設置されている発電デバイス１１３の発電ポテンシャルを表す発電密度（kw/メッシュ面）を各時刻において推定することにより行われる。ただし、第２予測部１１１において、発電密度に代えて、自エネルギー運用装置１１０の管理エリア内の将来の発電量を予測するようにしてもよい。
The prediction of the power generation density is installed, for example, in a mesh surface of, for example, 20 [km] × 20 [km] (hereinafter, this is referred to as a mesh surface) separated by a meteorological grid of a meteorological simulation. It is performed by estimating the power generation density (kw / mesh plane) representing the power generation potential of the
かかる第２予測部１１１の物理シミュレーション部１１６による物理シミュレーションのシミュレーション結果は第３予測部１１７に出力される。
The simulation result of the physics simulation by the
第３予測部１１７は、需要データ蓄積部４０に蓄積された需要データ、気象データ蓄積部４１に蓄積された気象データ、需要要因データ蓄積部４２に蓄積された各需要要因の観測データ、及び、発電状態データ蓄積部１１５に蓄積された発電状態データのうちの必要なデータと、第２予測部１１１により予測された管理エリア内の発電密度とに基づいて、解品質コントロール部３６から指定された品質（解品質コントロール部３６から与えられた予測解目標安定指数の値に応じた予測の安定性）で自エネルギー運用装置１０の管理エリア内の発電量を予測する機能を有する機能部であり、参照ポイント調整処理部１１８、回帰モデル生成部１１９及び回帰予測処理部１２０を備えて構成される。これら参照ポイント調整処理部１１８、回帰モデル生成部１１９及び回帰予測処理部１２０は、外部記憶装置１３（図５）に格納された対応するプログラム（図示せず）をＣＰＵ１１（図５）が実行することにより具現化される機能部である。
The
そして参照ポイント調整処理部１１８は、第１の実施の形態における第３予測部３３（図６）の参照ポイント調整処理部７０（図６）と同様にして、参照ポイントを決定し、決定結果を回帰モデル生成部１１９に出力する。
Then, the reference point
また回帰モデル生成部１１９は、第３テーブル７３（図８）と同様のテーブルを保持しており、第１の実施の形態における回帰モデル生成部７１（図６）と同様にして、自エネルギー運用装置１０の管理エリアにおける発電と説明変数との間の回帰モデルを生成し、生成した回帰モデルを回帰予測処理部１２０に出力する。
Further, the regression
さらに回帰予測処理部１２０は、必要な説明変数の値を気象データ蓄積部４１、需要要因データ蓄積部４２及び第２予測部１１の物理シミュレーション部１１６から与えられるシミュレーション結果から取得し、取得した値を回帰モデル生成部１１９から与えられた回帰モデルに当てはめるようにして自エネルギー運用装置１１０の管理エリアにおける時間断面（指定時刻）の発電量の予測値を算出する。そして回帰予測処理部１２０は、算出した発電量の予測値を計画部１２１に出力する。
Further, the regression
計画部１２１には、計画処理部１０１（図６）に代えて制御部１２２が設けられている。この制御部１２２は、発電デバイス１１３からのフィードバック制御又はフィードフォワード制御を行う。具体的に、制御部１２２は、発電デバイス１１３から発電の値のフィードバック入力を受信し、望ましい量の発電が行われるように、発電デバイス１１３が太陽光発電装置の場合にはパワーコンディショナの設定値や、パワーコンディショナに接続される太陽光パネルの枚数を変更（例えば、発電が過剰であるときには太陽光パネルとの接続を切断）する。また制御部１２２は、発電デバイス１１３が火力発電装置の場合には、蒸気ガバナや燃料ガバナの開度を調整する。
The
制御部１２２による発電デバイス１１３の制御の制御ロジックは、最適制御、ＰＩＤ（Proportional-Integral-Differential）制御、モデル規範制御、ファジイ制御、又は、ニューラルネットとして知られているアルゴリズムによる制御を利用することができる。
The control logic for controlling the
制約緩和の処理として、制御誤差（すなわち目標とする発電量と実際の発電量の偏差の時系列）の許容量を与える処理を行う。最適制御のロジックでは、偏差の上限を満たす許容最適制御が行われるようにパラメータ調整を行う。ＰＩＤ制御では、厳密解での計画に基づいた制御（偏差を極めて小さくすることを目的とした制御）が要求されたときには、ＰＩＤ制御のＤ係数のパラメータを増加させる処理を行う。これにより制御は偏差を常に解消するべく、発電をすばやく変化させるものとなる。安定性を要求された解での計画に基づいた制御が要求されたときには、Ｄ係数のパラメータを減少させ、Ｉ係数のパラメータを増加させる制御を行う、これにより制御結果は、偏差を含むものの、発電の変化が穏やかなもとなり、制御の安定性が向上する。 As the process of relaxing the constraint, a process of giving a permissible amount of control error (that is, a time series of the deviation between the target power generation amount and the actual power generation amount) is performed. In the optimum control logic, the parameters are adjusted so that the allowable optimum control that satisfies the upper limit of the deviation is performed. In PID control, when control based on a plan with an exact solution (control aimed at making the deviation extremely small) is required, a process of increasing the parameter of the D coefficient of PID control is performed. As a result, the control changes the power generation quickly in order to always eliminate the deviation. When planning-based control is required for a solution that requires stability, control is performed to decrease the parameter of the D coefficient and increase the parameter of the I coefficient, although the control result includes deviations. The change in power generation becomes gentle, and the stability of control is improved.
以上のような本実施の形態のエネルギー運用装置１１０によれば、第１の実施の形態のエネルギー運用装置１０（図６）により得られる効果と同様の効果を得ることができる。
According to the
（３）第３の実施の形態
（３－１）本実施の形態のエネルギー運用装置の構成
図６との対応部分に同一符号を付して示す図２０は、第１の実施の形態のエネルギー運用装置１０に変えて図４に示すエネルギー運用システム１に適用される第３の実施の形態によるエネルギー運用装置１３０の論理構成を示す。なお、本エネルギー運用装置１３０のハードウェア構成は、一部のプログラム構成を除いて図５について上述した第１の実施の形態のエネルギー運用装置１０と同様であるため、ここでの説明は省略する。
(3) Third Embodiment (3-1) Configuration of Energy Operation Device of the Present Embodiment FIG. 20 showing the corresponding parts with the same reference numerals with FIGS. 6 shows the energy of the first embodiment. The logical configuration of the
本エネルギー運用装置１３０は、コンディション評価部１３１の処理内容が第１の実施の形態のコンディション評価部３４（図６）の処理内容と大きく相違する。実際上、本実施の形態によるコンディション評価部１３１は、空間的データ分布形状評価部１３２及びタグデータ書出し部１３３を備えて構成される。
In this
そして本実施の形態の空間的データ分布形状評価部１３２は、気象場（指定された時間断面での大気の状態の初期値）及び又は予測した気象場（ある時刻についての予測した大気の状態）を幾つかのパターンに分類し、分類した気象場及び又は予測した気象場のパターンごとに、そのパターンの予測誤差を算出するための回帰モデル（以下、これを誤差回帰モデルと呼ぶ）をそれぞれ生成する機能を備える。また空間的データ分布形状評価部１３２は、現在の気象場及び又は予測した気象場が上述のパターンのうちのどのパターンに分類されるかを判定し、判定結果に基づいて対応する誤差回帰モデルを用いて誤差を回帰推定する。そしてタグデータ書出し部１３３は、このようにして得られた誤差や、現在の気象場及び又は予測した気象場のパターンの識別子（以下、これをパターンＩＤと呼ぶ）をタグ値として外部記憶装置１３内の所定の記憶領域に書き出す。
Then, the spatial data distribution
また本エネルギー運用装置１３０では、このようなコンディション評価部１３１の構成の変更に伴って、解品質コントロール部１３４、第１予測部１３５及び第３予測部１３６の処理内容も第１の実施の形態の解品質コントロール部３６（図６）、第１予測部３１（図６）及び第３予測部３３（図６）の処理内容と相違する。
Further, in the
以下、このような本実施の形態のエネルギー運用装置１３０について説明する。以下においては、まず、本実施の形態のコンディション評価部１３１の具体的な処理内容について説明する。
Hereinafter, the
（３－２）本実施の形態によるコンディション評価部の処理内容
図２１は、上述した本実施の形態によるコンディション評価部１３１において実行される一連の処理の具体的な処理内容を示す。本実施の形態において、気象予測システム４６から取得する各気象要素の予測データは、大気の数値流体解析（ＣＦＤ）、大気と地表及び宇宙の間の熱交換の熱力学解析、大気と地表の間の摩擦の力学解析、太陽放射及び地球放射の熱解析に基づく熱流体解析、並びに、気象観測データの解析値のデータ同化からなる気象数値予測により算出される。
(3-2) Processing contents of the condition evaluation unit according to the present embodiment FIG. 21 shows specific processing contents of a series of processes executed by the
具体的には、観測値と、前回の予測のサイクルで行われた気象数値予測の解析値（第１推定値）との誤差を減少させるように解析値を修正するデータ同化を行い、予測計算の開始時刻に関する気象データについての解析値（解析インクリメントした第２推定値）である大気の状態の初期値を算出し、大気の状態の初期値に対して、前述の数値流体解析及び熱力学解析の微積分式を利用した時間積分（時間発展）を行い、任意の時刻の状態値をシミュレーションすることにより算出している。 Specifically, data assimilation is performed to correct the analysis value so as to reduce the error between the observed value and the analysis value (first estimated value) of the meteorological numerical prediction performed in the previous prediction cycle, and the prediction calculation is performed. The initial value of the atmospheric condition, which is the analysis value (second estimated value obtained by the analysis increment) for the meteorological data related to the start time of, is calculated, and the above-mentioned numerical fluid analysis and thermodynamic analysis are performed with respect to the initial value of the atmospheric condition. It is calculated by performing time integration (time evolution) using the microintegration formula of and simulating the state value at an arbitrary time.
各ステップにおけるコンディション評価部１３１の具体的な処理内容を説明する。まず、コンディション評価部１３１の空間的データ分布形状評価部１３２が、気象データ蓄積部４１に蓄積された気象データ（気象数値予測の初期値及び／又は予測値）を、過去に渡って取得する（Ｓ８０）。
The specific processing contents of the
続いて、空間的データ分布形状評価部１３２が、取得した気象データに基づいて、気象数値予測の初期値の気象場のパターン及び予測された気象場のパターンのそれぞれを幾つかのパターンにそれぞれ分類する（Ｓ８１，Ｓ８２）。ただし、コンディション評価処理を気象場のみに基づいて行う場合にはステップＳ８２を省略することができ、またコンディション評価処理を予測した気象場のみに基づいて行う場合にはステップＳ８１を省略することができる。なお、空間的データ分布形状評価部１３２が評価する予測時刻と、最終的に行いたい予測時刻とを同一時刻に限定する必要はなく、別の時刻であってもよい。
Subsequently, the spatial data distribution
次いで、空間的データ分布形状評価部１３２が、気象数値予測の初期値の気象場のパターン及び／又は予測された気象場のパターンと、過去に発生した気象数値予測の誤差（気温の誤差、日射フラックスの誤差、湿度の誤差、風向風量の誤差といった気象数値予測に含まれる要素の値の誤差）の大きさとの関係を、回帰モデル（以下、これを誤差回帰モデルと呼ぶ）を生成して検出する。なお、気象場のパターンと気象数値予測の誤差の大きさとの関係は、回帰モデルにも、ニューラルネットのモデル、ＳＶＭ（サポートベクターマシン）のモデル、ＣＡＲＴ等の決定木モデルにより生成して検出するようにしてもよい。
Next, the spatial data distribution
具体的には、例えば図２７に示すように、パターンごとの予測誤差量をそれぞれ集計し、集計したパターンごとの予測誤差量を、予測誤差量が小さいパターンから並べた図２５（Ａ）に示すような標本分散グラフを誤差回帰モデルとして生成する。１つのパターンに対して、過去に発生した誤差の大きさが複数ある場合は、そのパターンについては最大の誤差や誤差の平均値を利用して予測誤差量との関係を検出する（Ｓ８３）。なお後述するステップＳ９７の調整処理により、パターンごとに発生する誤差の大きさが均一になる調整処理が十分に収束するときには、平均誤差の誤差回帰モデルを作成することで良好な誤差予測を行うようにしてもよい。 Specifically, for example, as shown in FIG. 27, the amount of prediction error for each pattern is aggregated, and the amount of prediction error for each aggregated pattern is shown in FIG. 25 (A) in which the patterns with the smallest amount of prediction error are arranged in order. A sample variance graph like this is generated as an error regression model. When there are a plurality of magnitudes of errors that have occurred in the past for one pattern, the relationship with the predicted error amount is detected by using the maximum error or the average value of the errors for that pattern (S83). When the adjustment process of step S97, which will be described later, makes the magnitude of the error generated for each pattern uniform sufficiently, a good error prediction is performed by creating an error regression model of the average error. You may do so.
この後、空間的データ分布形状評価部１３２が、配信されている現在の気象データとのパターンマッチングを行い、現在の気象データ（初期値及び／又は予測値）が分類される気象場や予測した気象場のパターンのパターンＩＤを取得する。具体的には、後述する自己組織化マップの潜在空間（以下、これをＳＯＭ潜在空間と呼ぶ）に現在の気象データをマッピングし、ＳＯＭ潜在空間でグルーピングされたパターンのパターンＩＤを取得する処理を行う（Ｓ８４）。
After that, the spatial data distribution
続いて、空間的データ分布形状評価部１３２が、ステップＳ８４で取得したパターンＩＤに対応する誤差回帰モデルを用いて、気象数値予測の誤差を推定する（Ｓ８５）。
Subsequently, the spatial data distribution
この後、コンディション評価部１３１のタグデータ書出し部１３３が、ステップＳ８５の処理により得られた推定誤差のデータと、現在の気象データの分類先のパターンのパターンＩＤとのうちの少なくとも一方を判定結果として、例えば外部記憶装置１３内の所定の記憶領域に書き出す。あるいは推定誤差が平均の値より大きいとき（あるいは誤差量平均の値に誤差量の分散σの値を加算した値より大きいとき）には解析の劣度タグの値として劣度大と書き出すようにする（Ｓ８６）。
After that, the tag
なお、ステップＳ８２では、気象数値予測の誤差に代えて、最終的に知りたい第３予測部（需要）の予測誤差との関係を示す誤差回帰モデルを生成するようにし、ステップＳ８５では第３予測部が出力する需要予測値の最悪誤差の推定をするように構成することも可能である。 In step S82, instead of the error of the weather numerical prediction, an error regression model showing the relationship with the prediction error of the third prediction unit (demand) to be finally known is generated, and in step S85, the third prediction It is also possible to estimate the worst error of the demand forecast value output by the unit.
図２２に、ステップＳ８１やステップＳ８２における空間的データ分布形状評価部１３２のより具体的な処理（以下、これをパターン分類処理と呼ぶ）の処理内容を示す。ここでは温位（potential temperature）の観点から気象場のパターン分類を主として行うものとして説明する。
FIG. 22 shows the processing contents of more specific processing (hereinafter, this is referred to as pattern classification processing) of the spatial data distribution
なお「温位」とは、異なる高度にある空気該の実質的な暖かさを示す尺度である。熱力学の理論によれば、上層にある空気塊は周辺の大気圧が低いため、断熱的に下層（気圧が1000hPa付近）に移動させると大気圧の影響を受け温度が上昇する。従って、上層及び下層の双方に同じ温度の空気塊がある場合には、実質的には上層により暖かい空気塊があると見なす必要がある。また、空気が水蒸気を成分としているとき湿度が高い（水（化学式H2O）には、液体と気体との相があり、気体化した水を水蒸気と呼ぶ）。水蒸気が、液体へと相を変えるときに、熱を放出する、逆に液体の水が気体になるには外部からの熱エネルギーを必要とする。従って、水蒸気を含む空気塊と、水蒸気を含まない空気塊（ただし、液化した水が水滴として浮遊していることがある）とが、同じ温度である場合には、水蒸気を含む空気塊の方が実質的にはより暖かいと見なす必要がある。気象学では、このような温位の尺度として、乾燥空気に対する温位（しばしば単に温位と呼ぶことがある）や、湿潤空気に対する相当温位の理論式が用いられる。 The "potential temperature" is a measure of the substantial warmth of air at different altitudes. According to the theory of thermodynamics, the air mass in the upper layer has a low atmospheric pressure around it, so if it is adiabatically moved to the lower layer (atmospheric pressure is around 1000 hPa), the temperature will rise due to the influence of the atmospheric pressure. Therefore, when there are air parcels of the same temperature in both the upper layer and the lower layer, it is necessary to consider that there is substantially a warmer air parcel in the upper layer. In addition, when air contains water vapor as a component, the humidity is high (water (chemical formula H2O) has a phase of liquid and gas, and liquefied water is called water vapor). When water vapor changes its phase to a liquid, it releases heat, and conversely, liquid water requires external heat energy to become a gas. Therefore, if the air mass containing water vapor and the air mass not containing water vapor (however, liquefied water may be suspended as water droplets) have the same temperature, the air mass containing water vapor is better. Should be considered substantially warmer. In meteorology, the theoretical formulas for the potential temperature for dry air (often referred to simply as the potential temperature) and the equivalent potential temperature for moist air are used as measures of such potential temperature.
本実施の形態では、温位に係るデータとして、各高度の空気塊の温度及び湿度のデータを用いている。なお、本実施の形態に限定されず、乾燥気体の温位や、相当温位の理論値を用いても良い。また鉛直配置方向データとして、温位に限らず、風向風量の値、上昇下降の気流の値、ジオポテンシャル高度の値、などの気象データの項目について作成するようにしてもよい。 In this embodiment, the temperature and humidity data of the air parcels at each altitude are used as the data related to the potential temperature. In addition, the present invention is not limited to this embodiment, and the potential temperature of the dry gas or the theoretical value of the equivalent potential temperature may be used. Further, as the vertical arrangement direction data, not only the potential temperature but also the items of the meteorological data such as the value of the wind direction and the air volume, the value of the up and down airflow, and the value of the geopotential height may be created.
各ステップの具体的な処理内容を説明する。空間的データ分布形状評価部１３２は、図２１のステップＳ８１やステップＳ８２に進むと、このパターン分類処理を開始し、まず、所定期間（例えば、四季別、年間、ある期間の昼間、ある期間の夜間、所定時間帯（例えば、全球気象予測が更新される時刻帯、朝６時の気象データ配信時刻帯））において蓄積した各時間断面の気象データから、水平格子の１つ１つについて、地点データに含めれる高度別のデータ項目から、後述の温位に係るデータを抽出して、気象データの鉛直配置データセットを生成する（Ｓ９０）。
The specific processing contents of each step will be described. When the spatial data distribution
続いて、空間的データ分布形状評価部１３２は、生成した、地点ごとの気象データの鉛直配置データのセットを、いくつかのパターンに分類する（Ｓ９１～Ｓ９７）。
Subsequently, the spatial data distribution
具体的に、空間的データ分布形状評価部１３２は、まず、自己組織化マップとして知られている処理（以下、これを自己組織化マップ処理と呼ぶ）により、ＳＯＭ潜在空間のノードへデータセットの各データをマッピングする（Ｓ９１）。
Specifically, the spatial data distribution
次いで、コンディション評価部１３１は、自己組織化マップ処理により、所定の閾値を用いてＳＯＭ潜在空間のノードを連結し、適当な分離閾値を設定して、ＳＯＭ潜在空間上でパターン分類を行い、その後、ＳＯＭ潜在空間からデータを逆マッピングすることによりＳ９０で用意した気象データの鉛直配置データセットの各々のデータをパターン分類する。また空間的データ分布形状評価部１３２は、分類した空気塊の鉛直配置データのパターンごとにそれぞれタグ（以下、これを安定度ＩＤと呼ぶ）を付与する（Ｓ９２）。
Next, the
さらに、空間的データ分布形状評価部１３２は、各時間面の水平方向の地点の各格子に対してそれぞれ該当する安定度ＩＤを対応付けた（表示した）大気の成層状態を表すマップのデータ（以下、これを成層状態データと呼ぶ）を、配信され蓄積した気象の時間断面データの各々に対応して生成する（Ｓ９３）。
Further, the spatial data distribution
本実施の形態では、安定度ＩＤはパターンに対する大気の安定度の値に従って付与する。「パターンに対する大気の安定度」とは、同一のパターンとされた空気塊の鉛直配置データの各々の大気の鉛直安定度指数（例えば、気象学のショワルター安定度指数）の平均値（もしくは最大値）である。他の安定度ＩＤの付与の仕方として、ＳＯＭ潜在空間のノードから分類するデータのデータ空間（観測空間ともいう）への参照ベクトル（パターンの仮想的な代表値を指し示す）に相当する空気塊の鉛直配置についての大気の鉛直安定度を用いても良い。 In this embodiment, the stability ID is assigned according to the value of atmospheric stability with respect to the pattern. "Atmospheric stability with respect to pattern" is the average value (or maximum) of the vertical stability index (for example, the Showalter stability index of meteorology) of each atmosphere in the vertical arrangement data of air masses having the same pattern. Value). As another method of assigning the stability ID, the air mass corresponding to the reference vector (pointing to the virtual representative value of the pattern) of the data classified from the node of the SOM latent space to the data space (also called the observation space). The vertical stability of the atmosphere for the vertical arrangement may be used.
このように鉛直方向の空気塊の配置の形状を抽出したパターンに安定度ＩＤとなる序数を付与することで、形状が似ている配置パターンの安定度ＩＤが近い値となる。このため、水平面での大気の成層状態を、水平面の各格子位置の大気を鉛直方向の空気塊の配置の形状でデータ化したときに、微細な計上の違いが、大きな安定度ＩＤの変化になることがなくなり、良好な水平面のデータ化ができる実施上の効果がある。 By assigning an ordinal number to be the stability ID to the pattern extracted from the shape of the arrangement of the air parcels in the vertical direction in this way, the stability ID of the arrangement patterns having similar shapes becomes a close value. For this reason, when the stratified state of the air on the horizontal plane is converted into data by converting the atmosphere at each lattice position on the horizontal plane into the shape of the arrangement of air masses in the vertical direction, a slight difference in accounting causes a large change in the stability ID. This is not the case, and there is an practical effect that good horizontal plane data can be obtained.
続いて、空間的データ分布形状評価部１３２は、ステップＳ９３で生成した成層状態データを、Ｓ９２の処理と同様に自己組織化マップ処理で、第２のＳＯＭ潜在空間にマッピングし（Ｓ９４）、第２のＳＯＭ潜在空間で大気の成層状態データをパターン分類する（Ｓ９５）。
Subsequently, the spatial data distribution
次いで、空間的データ分布形状評価部１３２は、各パターンが十分な解像度であるか否かを判定し（Ｓ９６）、否定結果を得た場合には、各パターンが十分な解像度となるようにパターンの分類数を増減するようステップＳ９２で用いる上述の分離閾値の値を調整する（Ｓ９７）。
Next, the spatial data distribution
そして、空間的データ分布形状評価部１３２は、ステップＳ９２に戻り、この後、ステップＳ９６で肯定結果を得るまでステップＳ９２～ステップＳ９７の処理を繰り返す。そして、空間的データ分布形状評価部１３２は、やがて気象場や予測した気象場を十分な解像度の幾つかのパターンにパターン分類し終えることによりステップＳ９６で肯定結果を得ると、このパターン分類処理を終了して図２１の処理に戻る。
Then, the spatial data distribution
なお、Ｓ９５、及び／又は、Ｓ９２のパターン分類の処理において、データから生成したパターンに識別子（パターンＩＤ）を付与する。識別子は、識別子の序数の数値が近いものが、類似するパターンとなるように識別子を付与するようにする。 In the pattern classification process of S95 and / or S92, an identifier (pattern ID) is assigned to the pattern generated from the data. As for the identifier, the identifiers are assigned so that the ones having similar ordinal numbers of the identifiers have a similar pattern.
具体的には、ＳＯＭ潜在空間の隣接するノード間の異なる度合い（マップ色彩法のアルゴリズムの一つでは、ＳＯＭ潜在空間のノードが指し示す観測空間の観測データと、隣接するＳＯＭ潜在空間のノードが指し示す観測データとの距離で、隣接ノードの異なる度合いを与えることができる）と分離閾値Ｒとを比較してノードの連結を試行する。Ｒを最大の隣接ノードの異なる度合い値であるＲＭＡＸから、０までの間で変化させ（例えば５段階に変化させる）、段々と連結されるノードの個数が小さいグループに分類するまで試行し、各段階での分類にもとづく半順序木によりＳＯＭ潜在空間の各ノードに半順序の関係を与える。半順序の関係に従い、パターンＩＤを与えるようにする。このようにパターンＩＤを付与することで、半順序の木構造により根本で大きく分類されたノードは性質が大きく異なり、末端の枝で分類されたノードは性質が似ているようになる。 Specifically, the degree of difference between adjacent nodes in the SOM latent space (in one of the map coloration algorithms, the observation data in the observation space pointed to by the node in the SOM latent space and the node in the adjacent SOM latent space point to it. The distance from the observed data can give different degrees of adjacent nodes) and the separation threshold R are compared to try to connect the nodes. Try changing R from RMAX, which is the different degree value of the maximum adjacent node, to 0 (for example, changing it in 5 stages) until it is classified into a group with a small number of nodes connected in stages, and each A partial order relationship is given to each node in the SOM latent space by a partial order tree based on the classification in stages. The pattern ID is given according to the relation of the partial order. By assigning the pattern ID in this way, the nodes classified at the root by the partial order tree structure have significantly different properties, and the nodes classified at the terminal branches have similar properties.
この実施の形態によれば、性質が類似するパターン（例えば、いわゆる冬型／夏型の気象配置に相当する気象場のパターン）同士が、近いパターンＩＤを持つことで、後処理での予測処理、及び／又は、誤差回帰モデルが品質よく生成できる。これはそれぞれのパターンに分類されるデータの数が不均質（データ数に疎密がある、スパースである）であるときにも、ガウスプロセス回帰、及び／又は、ヒストグラム法などのスパースモデリングの処理により良好な分析モデルを生成できることによる。 According to this embodiment, patterns having similar properties (for example, a pattern of a weather field corresponding to a so-called winter / summer type weather arrangement) have similar pattern IDs, so that prediction processing in post-processing can be performed. And / or an error regression model can be generated with good quality. This is due to Gaussian process regression and / or sparse modeling processing such as the histogram method, even when the number of data classified into each pattern is heterogeneous (the number of data is sparse, sparse). This is due to the ability to generate a good analytical model.
なお、本実施の形態の処理に代えて、大気の鉛直安定度の値を地点の安定度ＩＤタグとしてもよい。気象学では、温位の鉛直配置データの評価として、しばしば、上層の温位についてのデータと、下層の温位（相当温位や乾燥気体の温位）についてのデータとの値の算術差を安定度として評価値に用いる。安定度が高いと、熱力学の法則により、下層からの上昇気流がおき難い。 Instead of the processing of the present embodiment, the value of the vertical stability of the atmosphere may be used as the stability ID tag at the point. In meteorology, as an evaluation of the vertical potential temperature data, the computational difference between the upper layer temperature data and the lower layer temperature level (equivalent potential temperature or dry gas temperature) is often used. Used for evaluation value as stability. When the stability is high, it is difficult for an updraft from the lower layer to occur due to the law of thermodynamics.
本実施の形態に加え、空間的データ分布評価部１３２による、各時間断面の気象場の評価結果を総合した時間的データ分布形状評価を行うようにすることともできる。時間の経過とともに、劣度が大きくなる、発達中の特異現象があるとの時間的データ形状評価が行える。
In addition to the present embodiment, the spatial data
図２３（Ａ）から（Ｇ）に、温位に関するデータでの、空気塊の鉛直方向の配置のパターン分類の結果の例を示す。縦軸は気圧高度、横軸は算出した相当温度への換算値である。また図２４に、成層状態データをパターン分類した結果の例を示す。さらに図２５（Ａ）に上述の誤差回帰モデルの例を示し、図２５（Ｂ）に各パターンの標本数を表すグラフ成層状態データのパターンと、予測誤差の標本分散の関係を例示する。本グラフを用いて、誤差回帰モデルが生成される。パターンごとの標本数を利用して各パターンの予測誤差量を正規化した上で、パターンと誤差との関係を検出するようにしてもよい。 FIGS. 23 (A) to 23 (G) show an example of the result of pattern classification of the vertical arrangement of air parcels in the data on the potential temperature. The vertical axis is the barometric altitude, and the horizontal axis is the calculated equivalent temperature conversion value. Further, FIG. 24 shows an example of the result of pattern classification of the stratified state data. Further, FIG. 25 (A) shows an example of the above-mentioned error regression model, and FIG. 25 (B) illustrates the relationship between the pattern of the graph stratified state data showing the number of samples of each pattern and the sample variance of the prediction error. An error regression model is generated using this graph. The prediction error amount of each pattern may be normalized by using the number of samples for each pattern, and then the relationship between the pattern and the error may be detected.
（３－３）本実施の形態のエネルギー運用装置における処理の流れ
図２６は、本実施の形態のエネルギー運用装置１３０において実行されるエネルギー供給の計画及び制御に関する一連の処理の流れ（エネルギー供給計画及び制御処理）を示す。このエネルギー供給計画及び制御処理は、定期的に実行される。
(3-3) Process flow in the energy operation device of the present embodiment FIG. 26 shows a series of process flows (energy supply plan) related to energy supply planning and control executed in the
本実施の形態によるエネルギー運用装置１３０では、まず、図２１～図２５及び図２７について上述した処理がコンディション評価部１３１において実行され、コンディション評価部１３１のタグデータ書出し部１３３により、処理結果である気象コンディションのタグ値（気象数値予測の誤差の推定量）と、現在の気象場及び／又は予測した気象場のパターンＩＤとの少なくとも一方が外部記憶装置１３の所定の記憶領域に書き出される（Ｓ１００）。
In the
続いて、解品質コントロール部１３４の数値解析パラメータ更新部１３７が、外部記憶装置１３に書き出された気象コンディションのタグ値や、現在の気象場及び／又は予測した気象場のパターンＩＤから、第１予測部１３５で行う気象現象の再解析の処理に用いるパラメータを修正する（Ｓ１０１）。
Subsequently, the numerical analysis
本実施の形態の場合、数値解析パラメータ更新部１３７は、データ同化のパラメータである観測誤差と背景誤差の大きさを示すパラメータα１、α２、及び／又は、α１及びα２の比率であるαについて、気象場に応じて変更する。従来、αは固定的な標準値に設定されている。気象場に応じてαを変更する。具体的には、予測したい時間（例えば24時間後、需要や発電などの気象数値予測データを利用した予測を行う時刻ｔの前後６時間の30分刻みの時間断面）についての「予測した気象場のパターンＩＤから推定された数値解析誤差」の大きさに応じて、αの値を大きくする（例えば、標準のαに、数値解析誤差の値に所定値βを乗じた値を加算する）処理を施す。さらに／もしくは、気象解析の初期値の気象場のパターンＩＤから推定された数値解析誤差の大きさに応じてαの値を大きくする処理を施す。
In the case of the present embodiment, the numerical analysis
なお数値解析パラメータ更新部１３７は、大気の状態の時間発展の物理シミュレーション部５５のパラメータ（これらのパラメータは、物理シミュレータＰＧの定数テーブルとして保持されている）を更新することもできる。
The numerical analysis
風速のデータの予測値（予測対象のエリアの予測値の平均値、及び／又は、需要などの最終的な予測を行いたい地点の予測値）が、過大な値となる気象コンディションと判定された場合には、地表面と大気の間の摩擦係数を示すパラメータＫの値を微増させる（例えば0.01％増）。予測値が、過小な値となる気象コンディションと判定された場合には、地表面と大気の間の摩擦を示すパラメータＫの値を微減する（例えば0.01％減）。 The predicted value of the wind speed data (the average value of the predicted values of the area to be predicted and / or the predicted value of the point where the final prediction such as demand is to be performed) is determined to be an excessive weather condition. In some cases, the value of the parameter K, which indicates the coefficient of friction between the ground surface and the atmosphere, is slightly increased (for example, 0.01% increase). If the predicted value is determined to be an undervalued meteorological condition, the value of the parameter K, which indicates the friction between the ground surface and the atmosphere, is slightly reduced (for example, 0.01% reduction).
地表面と大気の間の摩擦係数が誤って小さくとられると、長時間の時間発展のシミュレーションを行ったときに風速が発散したり、非現実的な値に収束したりすることが知られている。動的に物理シミュレーションのパラメータを変更することで、特異な気象条件の下でも気象の数値解析の再解析により誤差を抑制できる。 It is known that if the coefficient of friction between the ground surface and the atmosphere is mistakenly made small, the wind speed will diverge or converge to an unrealistic value when simulating long-term evolution. There is. By dynamically changing the parameters of the physics simulation, it is possible to suppress the error by reanalyzing the numerical analysis of the weather even under peculiar weather conditions.
同様に、地表面温度の予測値、及び／又は、大気の気温の予測値が、過大な値となる気象コンディションと判定された場合には、地球放射（地球が太陽から受けた放射エネルギーを、地表や大気から赤外線として宇宙空間に放出する総エネルギー）のパラメータＭを微増する（例えば0.01％増）、及び／又は、太陽放射（太陽から放射される電磁波の総エネルギー）のパラメータを微減する。逆に、地表面温度の予測値、及び／又は、大気の気温の予測値が、過小な値となる気象コンディションと判定された場合には、地球放射（地球が太陽から受けた放射エネルギーを、地表や大気から赤外線として宇宙空間に放出する総エネルギー）のパラメータＭを微減する（例えば0.01％増）、及び／又は、太陽放射（太陽から放射される電磁波の総エネルギー）のパラメータを微増する。 Similarly, if the predicted value of the ground surface temperature and / or the predicted value of the atmospheric temperature is determined to be an excessive value in the meteorological condition, the earth radiation (radiation energy received by the earth from the sun is transmitted to the earth. The parameter M of the total energy emitted from the earth's surface or the atmosphere into space as infrared rays is slightly increased (for example, increased by 0.01%), and / or the parameter of solar radiation (total energy of electromagnetic waves emitted from the sun) is slightly decreased. On the contrary, when the predicted value of the ground surface temperature and / or the predicted value of the atmospheric temperature is determined to be an under-valued meteorological condition, the earth radiation (radiation energy received by the earth from the sun is transmitted to the earth. The parameter M of the total energy emitted from the earth's surface or the atmosphere into space as infrared rays is slightly reduced (for example, increased by 0.01%), and / or the parameter of solar radiation (total energy of electromagnetic waves emitted from the sun) is slightly increased.
太陽放射の大きさに対して地球放射のパラメータが誤って大きくとられると、長時間の時間発展のシミュレーションを行ったときに地表面や大気の温度が発散したり、非現実的な値に収束したりすることが知られている。また地球放射のパラメータが誤って小さく取られると、長時間の時間発展のシミュレーションをすると地表面や大気の温度が極低温な、非現実的な値に収束したり、地球自転等の周期的変化のみを反映した情報量のない周期的な予測値に振動したりすることが知られている。動的に物理シミュレーションのパラメータを変更することで、特異な気象条件の下でも気象の数値解析の再解析により誤差を抑制できる。 If the earth radiation parameter is erroneously large relative to the magnitude of solar radiation, the temperature of the earth's surface and atmosphere will diverge or converge to an unrealistic value when simulating long-term evolution. It is known to do. In addition, if the parameters of the earth's radiation are mistakenly taken small, the temperature of the earth's surface and atmosphere will converge to an extremely low, unrealistic value when a simulation of long-term development is performed, or periodic changes such as the rotation of the earth will occur. It is known that it oscillates to a periodic predicted value without the amount of information that reflects only. By dynamically changing the parameters of the physics simulation, it is possible to suppress the error by reanalyzing the numerical analysis of the weather even under peculiar weather conditions.
続いて、第１予測部１３５の第１データ同化部１３８のデータ同化処理部１３９が、大気の物理的現状の支配方程式を用いて大気の状態の時間発展のシミュレーションを行う物理シミュレーションの初期条件（格子データの初期データ）の生成を行う（Ｓ１０２）。
Subsequently, the data
具体的には、取得した気象数値解予測による初期データ（及び／又は、気象再解析により得た初期値データ、及び／又は、前回の気象解析サイクルでの解析結果である予測値）を第１推定値とし、取得した観測データ（観測値）との間に、初期値の解析値を求め第１推定値を更新する（この処理は一般に解析インクリメントと呼ぶ。条件インクリメントと記す場合もある）。 Specifically, the first is the initial data obtained from the acquired meteorological numerical solution prediction (and / or the initial value data obtained by the meteorological reanalysis and / or the predicted value which is the analysis result in the previous meteorological analysis cycle). As an estimated value, the analysis value of the initial value is obtained between the acquired observation data (observed value) and the first estimated value is updated (this process is generally called an analysis increment. It may also be referred to as a conditional increment).
第１推定値の更新は、以前の解析値である第１推定値と観測データとを入力として、変分法として知られる処理により、大気の状態に係る支配方程式の随伴方程式と、データ同化を行う際に与えられる「観測誤差」と「背景誤差」（第１推定値の誤差）の設定に係る割合α値により決定する。このとき観測誤差が背景誤差より小さく設定されれば、データ同化による解析インクリメントの結果はより観測データ側に寄り、逆に観測誤差が大きく設定されれば、解析インクリメントの結果は第１推定値側に寄る。 The update of the first estimated value takes the first estimated value, which is the previous analysis value, and the observed data as input, and performs data assimilation with the contingent equation of the governing equation related to the atmospheric state by a process known as the variation method. It is determined by the ratio α value related to the setting of the "observation error" and the "background error" (error of the first estimated value) given at the time of the operation. At this time, if the observation error is set smaller than the background error, the result of the analysis increment by data assimilation is closer to the observation data side, and conversely, if the observation error is set larger, the result of the analysis increment is on the first estimated value side. Stop by.
このようにして得た初期値を元に、気象現象を再解析（再解析では、外部サーバによる気象解析よりも、解析の格子間隔を細分化してもよい）する時間発展のシミュレーションにより将来の大気の状態の推定値を得る。 Based on the initial values obtained in this way, the future atmosphere will be simulated by time evolution to reanalyze the meteorological phenomenon (in the reanalysis, the grid spacing of the analysis may be subdivided rather than the meteorological analysis by an external server). Get an estimate of the state of.
続いて、コンディション評価部１３１の空間的データ分析形状評価部１３２が、気象に係る大気の状態の時間発展の予測結果に対して、ステップＳ１００と同様の予測した気象場のコンディションの評価を行い（Ｓ１０４）、この後、空間的データ分析形状評価部１３２が、再解析結果の誤差量と再解析前の誤差量とを比較して、誤差の減少量が規定値より少ないかの収束判定を行う（Ｓ１０５）。この収束判定で、再解析結果が未だ十分には収束していないという判定結果が得られた場合には、再解析結果が閾値未満に収束するまで、あるいは規定の回数の繰返しが完了するまで、解品質コントロール処理（Ｓ１０１）からコンディション評価処理（Ｓ１０４）までの処理を繰返す。
Subsequently, the spatial data analysis
以上のステップＳ１０１及びステップＳ１０２の処理によって、特異な気象現象により、大気の状態の時間発展の予測処理を行う物理シミュレーションで用いている微分式（支配方程式）と、実際の物理現象とが完全には一致していない場合（すなわち背景誤差が大きくなっている場合）にも、特異な気象現象による背景誤差の増大に適応してデータ同化（初期値の生成の処理）の結果を改善し、気象再解析の精度が向上する効果がある。 By the processing of steps S101 and S102 above, the differential equation (dominant equation) used in the physics simulation that predicts the time evolution of the atmospheric state due to a peculiar meteorological phenomenon and the actual physical phenomenon are completely different. Even if they do not match (that is, when the background error is large), the result of data assimilation (processing of initial value generation) is improved by adapting to the increase of background error due to a peculiar meteorological phenomenon, and the weather It has the effect of improving the accuracy of reanalysis.
さらに、気象の観測データの欠落や、観測データの配信の遅延、あるいは、観測データの鮮度（観測後の時間経過）のデータ品質のタグ情報を利用して、αの値を減ずる処理を施す（例えば、標準のαの値に、0.9を乗じた値をα値として用いるようにする）。これにより、観測誤差が増大している例外的な状況においては、初期値の生成する解析インクリメントの結果は、通常の場合と比べて、観測データよりも前予測サイクルでの数値予測結果（第一推定値）に近い値を出力する解析インクリメントが行われる。その結果として、観測データの欠落や遅延や鮮度の低下により劣化した観測データによって、データ同化の結果が極端に悪くなることが回避され、一定の品質のデータ同化の結果（解析インクリメントの結果）を得ることできる効果がある。 Furthermore, processing is performed to reduce the value of α by using the data quality tag information of the lack of observation data of the weather, the delay of delivery of the observation data, or the freshness of the observation data (the passage of time after the observation) (). For example, the standard α value multiplied by 0.9 is used as the α value). As a result, in exceptional situations where the observation error is increasing, the result of the analysis increment generated by the initial value is the numerical prediction result (first) in the pre-prediction cycle than the observation data compared to the normal case. An analysis increment is performed that outputs a value close to the estimated value). As a result, it is avoided that the result of data assimilation becomes extremely poor due to the observation data deteriorated due to the lack of observation data, delay, or deterioration of freshness, and the result of data assimilation of a certain quality (result of analysis increment) is obtained. There is an effect that can be obtained.
なお、気象機関からの配信される気象数値予測データは、地球全体の大気の状態を解析する全球モデルの解析を例えば24時間毎に行い、日本領域などの特定領域の大気の状態を解析する領域モデルの解析を、全球モデルの解析結果と最新の観測データ（但し、観測項目によっては、１時間後との観測であったり６時間後との観測であったりする）を入力として、例えば３時間ごとに行うなど、予測サイクルの中で利用されるデータの鮮度が異なっている。これにより配信時刻（気象予報の発表時間）によっても気象データに含まれる誤差の特性（例えば、観測誤差と背景誤差の大きさ）が異なっている。本発明では、再解析におけるα１、α２の標準値は各々の配信時刻ごとに設けようにしてもよい。これにより、良好な再解析を行い得る。 The meteorological numerical prediction data distributed by the meteorological institution is an area that analyzes the state of the atmosphere in a specific area such as the Japan area by analyzing a global model that analyzes the state of the atmosphere of the entire earth, for example, every 24 hours. The model is analyzed for 3 hours, for example, by inputting the analysis result of the global model and the latest observation data (however, depending on the observation item, the observation may be 1 hour later or 6 hours later). The freshness of the data used in the prediction cycle is different, such as for each. As a result, the characteristics of the error included in the meteorological data (for example, the magnitude of the observation error and the background error) differ depending on the delivery time (announcement time of the meteorological forecast). In the present invention, the standard values of α1 and α2 in the reanalysis may be set for each delivery time. Thereby, a good reanalysis can be performed.
また第２予測処理（Ｓ１０３）の数値解析においても、同様に、観測誤差と背景誤差の大きさのパラメータを用いたデータ同化を行なうようにしてもよく、観測データの欠落による観測誤差が増大したときにも適切にエネルギー需要密度を推定することができる。 Further, in the numerical analysis of the second prediction process (S103), the data assimilation may be performed using the parameters of the magnitudes of the observation error and the background error in the same manner, and the observation error due to the lack of the observation data is increased. At times, the energy demand density can be estimated appropriately.
続いて、図１１のステップＳ５について上述したコンフィグレーション入力処理がコンフィグレーション入力部により実行される（Ｓ１０６）。また、この後、解品質コントロール部１３４の予測解目標安定指数算出部９２（図６）が、気象コンディションであるところの気象の推知解析誤差の推定値のタグ値を読み出し、第３予測部に予測解目標安定指数を出力する（Ｓ１０７）。予測解目標安定指数は、気象解析誤差の推定値の実数の値としてもよく、また、１～５とした正数の値に変換するようにしてもよい。
Subsequently, the configuration input process described above for step S5 in FIG. 11 is executed by the configuration input unit (S106). After that, the predicted solution target stability index calculation unit 92 (FIG. 6) of the solution
次いで、第３予測部１３６が、図１７について上述した第３予測処理を実行する（Ｓ１０８）。なお、本実施の形態の第３予測処理では、電力需要の予測を、気象依存項Ｆ（Ｗ）と、非気象依存項Ｇ（ｔ）の和であるＦ（Ｗ）＋Ｇ（ｔ）として予測する。Ｆ（Ｗ）は前述のLasso回帰モデル、Ridge回帰モデルの式であり、Ｇ（ｔ）は時刻ｔごとに統計的に設定された固定値である。
Next, the
これらは、参照ポイント調整処理部７０が、そのとき解品質コントロール部３６から与えられた予測解目標安定指数の値に応じた品質で自エネルギー運用装置１０の管理エリア内の将来のエネルギー需要（電力需要）の予測を行うために、図６の回帰モデル生成部７１が生成すべき回帰モデルの種類及びその回帰モデルの条件を図８の第２のテーブル７３から読み出し、読み出した回帰モデルの種類及びその回帰モデルの条件を回帰モデル生成部７１に出力している（図１７のＳ６０）。特に回帰モデル生成にあたって、気象コンディションの劣度のタグ値が大であるときには、回帰モデルの説明変数に利用する気象要素を気温に限定し、気象コンディションの劣度が大でないときには、回帰モデルの説明変数に利用する気象要素に制限を加えず、湿度、日射、大気浮遊物量、赤外線強度、紫外線強度、雲量、天気（晴れ、曇り、雨、雪）の項目を利用したり、各時間断面における気象数値予測の劣度タグ値から、劣度タグ値大きい時間断面の気象データの気象項目を限定するようにしてもよい。
These are the future energy demands (electric power) in the control area of the self-
本実施の形態のほかに、気象依存モデルＦ（Ｗ）と非気象依存モデルＧ（ｔ）で、各々需要をモデル化し、アンサンブル合成（ａ×Ｆ（Ｗ）＋（１－ａ）×Ｇ（ｔ））の値（第一推定値）で需要を予測する形態を用いることがある。気象コンディションの劣度のタグ値に基づいて、ａの値を標準値から修正するようにしてもよい。例えば、標準のａが0.7であるとき、気象コンディションの劣度が大であるならば、ａを減じて、0.5とする。あるいは、気象数値解析の誤差推定値に比例して、ａを減じるようにする。アンサンブル合成は、線形結合に限定されず、非線形な合成であってもよく、非線形な合成に用いる関数Ｚ（Ｆ，Ｇ）を変分法により推定するようにしてもよい。また回帰モデル生成部７１がガウスプロセス回帰を行って確率的な気候及び需要の間の回帰モデルを作成するようにしてもよい。
In addition to the present embodiment, the demand is modeled by the weather-dependent model F (W) and the non-weather-dependent model G (t), respectively, and the ensemble synthesis (a × F (W) + (1-a) × G ( A form in which demand is predicted by the value of t)) (first estimated value) may be used. The value of a may be modified from the standard value based on the inferior tag value of the weather condition. For example, when the standard a is 0.7 and the inferiority of the weather condition is large, a is subtracted to 0.5. Alternatively, a is reduced in proportion to the error estimate of the meteorological numerical analysis. The ensemble synthesis is not limited to a linear combination, and may be a non-linear synthesis, and the function Z (F, G) used for the non-linear synthesis may be estimated by the variational method. The
このように利用する気象データを制限することで、気象数値予測データの誤差が大きい場合に、そのデータを利用した予測の精度が大きく悪化することを回避できる。 By limiting the meteorological data to be used in this way, it is possible to prevent the accuracy of the prediction using the data from being significantly deteriorated when the error of the meteorological numerical prediction data is large.
この後、図１７について上述の通り、回帰予測処理部７２が、必要な説明変数の値を参照データ蓄積部３０及び第２予測部３２の物理シミュレーション部６３から与えられるシミュレーション結果から取得し、取得した値を回帰モデル生成部７１から与えられた回帰モデルに当てはめることにより自エネルギー運用装置１０の管理エリアにおける時間断面（指定時刻）のエネルギー需要の予測値を算出する。そして回帰予測処理部７２は、算出したエネルギー需要の予測値を計画部３７（図６）の計画処理部１０１（図６）に出力する（Ｓ１０９）。以上により、この第３予測処理が終了する。
After that, as described above with respect to FIG. 17, the regression
このようにすることで、気象の数値解析に係る誤差を推定する数値解析コンディション推定に基づいて、基づいて数値解析データを利用した処理（例えば、電力需要や気象に依存する自然エネルギーや外気を用いる火力発電の発電量の予測）の結果を修正する出力インクリメントの処理が達成される。 By doing so, processing using numerical analysis data based on the numerical analysis condition estimation that estimates the error related to the numerical analysis of the weather (for example, the natural energy and the outside air that depend on the power demand and the weather are used. An output increment process that corrects the result of thermal power generation forecast) is achieved.
（３－４）本実施の形態の効果
以上のような本実施の形態のエネルギー運用装置１３０によれば、大気中の空気塊の配置の気象場の物理的特徴や、気象予測の数値流体解析の特徴を考慮しながら解析誤差を予測したり、予測された解析誤差を縮小するような再解析を行うことができる。従って、本実施の形態のエネルギー運用装置１３０によれば、第１の実施の形態により得られる効果に加えて、数値解析及び／又は数値予測の解析誤差の推定と、効果的な再解析を行い得るという効果を得ることができる。
(3-4) Effect of the present embodiment According to the
（４）第４の実施の形態
（４－１）発電予備力
図１の「ＥＭ１」（２ＡＡ）、「ＥＭ２」（２ＡＢ）において、ポジワット、ネガワットの生成指令を行うために、事前に要求されるポジワット、ネガワットを予測する処理を行うようにする。このポジワット、ネガワットは、需要の想定に対して計画された電力供給の不足に備えるもので下げ調整力、上げ調整力、あるいは単に、調整力、あるいは発電予備力と呼ばれる。この発電予備力は、当初の計画の時点では、予期していない需要の増減、太陽光発電や風力発電等の気象に依存した発電の予期しない変化により生じる。従って、当初の計画の時点で予期しない需要や発電の量は、当初計画の時点での気象数値予測、及び／又は、需要密度等の変化により生じる。気象、需要、発電等の各種の数値解析の誤差の推定量との関係のモデル（例えば、回帰モデル）を作成できる。作成した数値解析誤差と発電予備力の関係モデルと、上述の数値解析誤差の推定量（図２１のステップＳ８５の出力）とを利用して、必要な発電予備力を推定／予測することができる。
(4) Fourth Embodiment (4-1) Power generation reserve In "EM1" (2AA) and "EM2" (2AB) of FIG. 1, it is required in advance to issue a positive watt and a negative watt generation command. Perform the process of predicting positive watts and negative watts. These positive watts and negawatts prepare for the shortage of power supply planned for the expected demand, and are called lower adjustment power, upper adjustment power, or simply adjustment power, or power generation reserve power. This reserve of power generation is caused by unexpected changes in demand at the time of the original plan and unexpected changes in weather-dependent power generation such as solar power generation and wind power generation. Therefore, the unexpected demand and the amount of power generation at the time of the initial plan are caused by the weather numerical forecast at the time of the initial plan and / or the change of the demand density and the like. It is possible to create a model (for example, a regression model) of the relationship with the estimated amount of error of various numerical analyzes such as weather, demand, and power generation. The required power generation reserve can be estimated / predicted by using the created relational model of the numerical analysis error and the power generation reserve and the above-mentioned estimator of the numerical analysis error (output in step S85 of FIG. 21). ..
（４－２）発電予備力の価格単価の予測
調整力取引所２ＢＣでの取引により、発注者と受注者の間での市場価格が決定される。約定価格は、気象現象等に伴う需要と発電の物理量との因果関係を持つため、その価格は、気象等の数値解析の誤差に依存する。調整力取引所での、調整力の単価（ｋＷ当たりの単価、あるいは調整を継続時間を含めた単価）と、各種の数値解析（気象、需要、発電に関る）の誤差の推定量との関係のモデル（例えば、回帰モデル）を作成できる。作成した数値解析誤差と取引価格の関係モデルと、上述の数値解析誤差の推定量（図２１のステップＳ８５の出力）とを利用して、取引価格を推定／予測することができる。
(4-2) Forecasting the unit price of power reserve capacity The market price between the ordering party and the contractor is determined by the transaction on the adjusting power exchange 2BC. Since the contract price has a causal relationship between the demand due to the meteorological phenomenon and the physical quantity of power generation, the price depends on the error of the numerical analysis of the meteorological etc. Adjustment power The unit price of adjustment power (unit price per kW or unit price including the duration of adjustment) on the exchange and the estimated amount of error in various numerical analyzes (related to weather, demand, power generation) You can create a model of the relationship (eg, a regression model). The transaction price can be estimated / predicted by using the created relational model of the numerical analysis error and the transaction price and the above-mentioned estimator of the numerical analysis error (output of step S85 in FIG. 21).
（５）他の実施の形態
なお上述の第１及び第２及び第３の実施の形態においては、各エネルギー運用装置１０，１１０が利用する気象要素のデータ（気象データ）や生活活動のデータ（各需要要因の観測データ）の区別を行わないようにした場合について述べたが、本発明はこれに限らず、例えばエネルギー運用システム１において上位のエネルギー運用装置１０，１１０と、下位のエネルギー運用装置１０，１１０とが異なる高度の気象グリッドの気象データや、異なる各地点の需要要因の観測データを利用してエネルギー需要を予測するようにしてもよい。このようにすることによって、各エネルギー運用装置１０，１１０が同時に予測を誤ることを回避でき、エネルギー運用システム１全体として安定したエネルギー運用を行うことができる。
(5) Other Embodiments In the above-mentioned first, second and third embodiments, data on meteorological elements (meteorological data) and data on daily activities (meteorological data) used by the
また上述の第１及び第２の実施の形態においては、エネルギー運用システム１において、地域送電会社が管理する、エネルギーの需要と供給の偏差の解消を行う役割を有するエネルギー運用装置１０，１１０と、小売発電事業者が管理する、供給力の調整を行うエネルギー運用装置１０，１１０とが利用する気象データを区別しないようにした場合について述べたが、本発明はこれに限らず、前者のエネルギー運用装置１０，１１０は上層よりの気象グリッドの気象データを利用し、後者のエネルギー運用装置１０，１１０は地表面よりの気象データを利用してエネルギー需要を予測するようにエネルギー運用システムを構築するようにしてもよい。このようにすることにより、前者のエネルギー運用装置１０，１１０は、地域全体の気象状態を安定的に予測でき、後者のエネルギー運用装置１０，１１０は、大口の需要家の需要の増減などを正確に捉え、経済的な発電機運用を行うことができる。
Further, in the first and second embodiments described above, in the
さらに上述の第１の実施の形態においては、第１予測部３１の第１データ同化部５２のデータ同化処理部５１が参照ポイント調整処理部５０により決定された参照ポイントを重視したデータ同化処理を行うようにした場合について述べたが、本発明はこれに限らず、例えば、データ同化処理部５１が、第２予測部３２の予測結果に基づいて、管理エリア内のエネルギー需要密度が高い地点を判定し、これら地点について上述したようなデータ同化処理を実行するようにしてもよい。このようにすることにより、エネルギー需要が多い地域において、気温、日射、湿度、風速、風向、気圧などの気象要素の値の予測・推定の精度が改善され、気象要素に依存するエネルギー需要の予測精度を改善させることができる。
Further, in the above-described first embodiment, the data
同様に、上述の第２の実施の形態において、例えば、第１予測部３１のデータ同化処理部５１が、第２予測部３２の予測結果に基づいて、管理エリア内の発電密度が高い地点を判定し、これら地点について上述したようなデータ同化処理を実行するようにしてもよい。このようにすることによりエネルギー発生密度が多い地域の気象要素の値の予測・推定の精度が改善され、気象要素に依存するエネルギー発生の予測精度を改善させることができる。
Similarly, in the second embodiment described above, for example, the data
さらに上述の第１及び第２の実施の形態においては、解品質コントロール部３６が予測解の品質を１つの数値（予測解目標安定指数）のみで第１～第３予測部３１～３３に指定するようにした場合について述べたが、本発明はこれに限らず、例えば、予測解の品質を安定性、厳密性、正確性、救解速度、解の時間粒度及び解の空間粒度などの複数の項目に分け、解品質コントロール部３６がこれらの項目ごとの品質を第１～第３予測部３１～３３にそれぞれ指定し、第１～第３予測部３１～３３が、これらの項目ごとの品質の指定に応じた予測解を得られるように予測解を算出等するようにしてもよい。
Further, in the first and second embodiments described above, the solution
さらに上述の第１の実施の形態においては、エネルギー運用装置１０の管理エリア内の気象コンディション及びエネルギー需要密度コンディションに基づいて第１～第３予測部３１～３３の予測解の解品質をコントロールし、第２の実施の形態においては、エネルギー運用装置１１０の管理エリア内の気象コンディション及び発電密度コンディションに基づいて第１～第３予測部３１，１１１，１１７の予測解の解品質をコントロールするようにした場合について述べたが、本発明はこれに限らず、第１及び第２の実施の形態の構成を組合せ、エネルギー運用装置の管理エリア内の気象コンディション、エネルギー需要密度コンディション及び発電密度コンディションの３つの条件に基づいて第１～第３予測部における予測解の解品質をコントロールするようにしてもよい。
Further, in the above-described first embodiment, the solution quality of the predicted solutions of the first to
また上述の第１～第３の実施の形態においては、各エネルギー運用装置が利用する形態での、数値解析値及び数値解析誤差を出力する予測システムについて述べたが、本発明はこれに限らず、数値解析値及び／又は数値解析誤差を予測するその他のシステムにおいても利用可能である。 Further, in the first to third embodiments described above, the prediction system that outputs the numerical analysis value and the numerical analysis error in the form used by each energy operation device has been described, but the present invention is not limited to this. , Numerical analysis values and / or other systems that predict numerical analysis errors.
例えば、換気窓の夜間開閉制御による室内空気調和の制御を行うシステムに用いることもできる。換気窓を夜間に開放し、日中に溜まった室内熱を放出するナイトパージは、外気温度が高かったり、湿度を高く含んでいるときには逆効果になる恐れがある。そのため、外部の気象を再解析し、室内の熱流体分布を解析し、室内外の空気交換の効果を予測して制御を行わしめる。特に予測誤差が大きい場合には、換気制御の実行時間を予測誤差の少ない時間帯へと変更する処理を行う。 For example, it can also be used in a system that controls indoor air conditioning by controlling the opening and closing of ventilation windows at night. Night purging, which opens the ventilation windows at night and releases the indoor heat accumulated during the day, may have the opposite effect when the outside air temperature is high or the humidity is high. Therefore, the external weather is re-analyzed, the indoor thermo-fluid distribution is analyzed, and the effect of air exchange inside and outside the room is predicted and controlled. When the prediction error is particularly large, the process of changing the ventilation control execution time to a time zone with a small prediction error is performed.
さらに上述の第１～第３の実施の形態においては、数値解析の対象が気象である場合について述べたが、本発明はこれに限らず、力学式による計算を行う、構造解析、電磁波解析、電力系統の電気回路の解析などに広く適用することができる。 Further, in the first to third embodiments described above, the case where the target of the numerical analysis is the weather has been described, but the present invention is not limited to this, and the calculation by the mechanical formula is performed, the structural analysis, the electromagnetic wave analysis, and the like. It can be widely applied to the analysis of electric circuits of electric power systems.
従来の数値解析による予測のためのシミュレーションでは、理論式から演繹的に導出したシミュレーションに用いられる力学式の特性への考慮が十分ではなく、シミュレーションでの時間発展を進めたときの、シミュレーションした状態の値の収束・発散・振動等がいつ発生するか、どのように発生するかを、解析結果又は/もしくは初期値についてのデータ事態から分類する方法が提供されてきていない。本発明は、解析の初期値、及び／又は、解析の出力結果のデータ自体の空間的な分布のパターンを分類、及び／又は、時間的な分布のパターンを分類する。ヒストリカルデータとして蓄積した発生していた解析誤差や最終的に知りたい予測値の誤差との関係の式化方法を提供している。これにより、初期値又は／もしくは解析出力値が、過去に誤差は発生させているパターンに類似しているか否を判別し、シミュレーションが発生する誤差を推定することができる。 In the conventional simulation for prediction by numerical analysis, the characteristics of the mechanical formula used in the simulation deductively derived from the theoretical formula are not sufficiently taken into consideration, and the simulated state when the time development in the simulation is advanced. No method has been provided for classifying when and how the convergence, divergence, vibration, etc. of the values of are generated from the analysis result or / or the data situation of the initial value. The present invention classifies the spatial distribution pattern of the initial value of the analysis and / or the data itself of the output result of the analysis, and / or the temporal distribution pattern. It provides a method for formulating the relationship between the analysis error that has accumulated as historical data and the error of the predicted value that you want to know in the end. Thereby, it is possible to determine whether the initial value or / or the analysis output value is similar to the pattern in which the error has occurred in the past, and to estimate the error that the simulation occurs.
本発明は、それぞれ管理エリア内のエネルギーの需要及び又は供給を予測し、予測結果に基づいて当該管理エリア内の前記エネルギーの運用を行う複数のエネルギー運用装置から構成される種々のエネルギー運用システムに広く適用することができる。 The present invention relates to various energy operation systems including a plurality of energy operation devices that predict the demand and / or supply of energy in the control area and operate the energy in the control area based on the prediction result. It can be widely applied.
１，１Ａ～１Ｄ……エネルギー運用システム、２，１０，１１０，１３０……エネルギー運用装置、４……需要家、５……発電所、６……発電機、１１……ＣＰＵ、３１，１３５……第１予測部、３２，１１１……第２予測部、３３，１３６……第３予測部、３４，１３１……コンディション評価部、３５……コンフィグレーション入力部、３６，１３４……解品質コントロール部、３７，１１７……計画部、５６……第１のテーブル、７３……第２のテーブル、８１，１３２……空間的データ分布形状評価部、８２，１３３……タグデータ書出し部、９０……第３のテーブル、１０２……第４のテーブル、１１３……発電デバイス、１３７……数値解析パラメータ更新部。
1,1A-1D ... Energy operation system, 2,10,110,130 ... Energy operation device, 4 ... Consumer, 5 ... Power plant, 6 ... Generator, 11 ... CPU, 31,135 ...... 1st prediction unit, 32,111 ... 2nd prediction unit, 33,136 ... 3rd prediction unit, 34,131 ... Condition evaluation unit, 35 ... Configuration input unit, 36,134 ... Solution Quality control unit, 37, 117 ... Planning department, 56 ... First table, 73 ... Second table, 81, 132 ... Spatial data distribution shape evaluation department, 82, 133 ... Tag data writing department , 90 ... 3rd table, 102 ... 4th table, 113 ... Power generation device, 137 ... Numerical analysis parameter update unit.
Claims (12)
前記数値解析の初期値の気象場のパターン、及び／又は、予測された前記気象場のパターンを複数のパターンに分類するパターン分類部と、
分類された各前記気象場のパターン及び／又は予測された前記気象場のパターンと前記気象数値予測の予測結果の劣度との関係を前記パターンごとにそれぞれ検出する検出部と、
前記気象場の前記パターンに対する前記検出部の検出結果に基づいて、前記気象数値予測の劣度を推定する予測劣度推定部と
を備えることを特徴とする数値解析装置。 In a numerical analysis device that predicts meteorological values by numerical analysis
A pattern classification unit that classifies the weather field pattern of the initial value of the numerical analysis and / or the predicted pattern of the weather field into a plurality of patterns.
A detection unit that detects the relationship between each classified pattern of the meteorological field and / or the predicted pattern of the meteorological field and the inferiority of the prediction result of the numerical meteorological prediction for each pattern .
A numerical analysis device including a prediction inferiority estimation unit that estimates the inferiority of the meteorological numerical prediction based on the detection result of the detection unit with respect to the pattern of the meteorological field .
前記気象数値予測の対象とする系の状態に関する第１の予測の結果の劣度のデータと、前記気象数値予測の対象とする系の状態に関する予測の結果に基づいた第２の予測の結果の劣度のデータとの少なくとも一方を表示する予測劣度表示部を備える
ことを特徴とする数値解析装置。 The numerical analysis device according to claim 1.
The inferiority data of the result of the first prediction regarding the state of the system to be the target of the meteorological numerical prediction and the result of the second prediction based on the result of the prediction regarding the state of the system to be the target of the meteorological numerical prediction. A numerical analyzer characterized by including a predictive inferiority display unit that displays at least one of inferiority data.
前記数値解析の前記初期値のデータの各前記パターンのデータ、前記気象数値予測の予測結果の各前記パターンのデータ、及び、前記パターンごとの前記気象数値予測の予測結果の劣度のデータのうちの少なくとも１つのデータに基づいて前記第２の予測を行い、並びに／又は、前記初期値のデータの各前記パターンのデータ、前記気象数値予測の予測結果の各前記パターンのデータ、前記パターンごとの前記気象数値予測の予測結果の劣度のデータ、及び、前記第２の予測に含まれる前記劣度のデータのうちの少なくとも１つに基づいて、予測が外れた場合に備えて確保しておくべき準備量を推定する情報処理部を備える
ことを特徴とする数値解析装置。 The numerical analysis device according to claim 2.
Of the data of each pattern of the initial value data of the numerical analysis, the data of each pattern of the prediction result of the meteorological numerical prediction, and the inferiority data of the prediction result of the meteorological numerical prediction for each pattern. The second prediction is performed based on at least one data of the above, and / or the data of each of the above-mentioned pattern of the data of the initial value , the data of each of the above-mentioned patterns of the prediction result of the numerical weather numerical prediction, and each of the above-mentioned patterns. Based on at least one of the inferiority data of the prediction result of the meteorological numerical prediction and the inferiority data included in the second prediction, it is reserved in case the prediction is wrong. A numerical analyzer characterized by having an information processing unit that estimates the amount of reserves to be prepared.
前記予測対象は、気象現象であり、
前記気象現象に対する前記数値解析の前記初期値の気象データと、前記気象数値予測の予測結果の気象データとの少なくとも一方を取得する気象データ取得部を備え、
前記パターン分類部は、
前記気象データ取得部により取得された前記気象現象に対する前記数値解析の前記初期値の気象データ及び／又は前記気象数値予測の予測結果の気象データを複数の前記パターンに分類する
ことを特徴とする数値解析装置。 The numerical analysis device according to claim 1.
The prediction target is a meteorological phenomenon.
A meteorological data acquisition unit for acquiring at least one of the initial value meteorological data of the numerical analysis for the meteorological phenomenon and the meteorological data of the prediction result of the meteorological numerical prediction is provided.
The pattern classification unit
A numerical value characterized by classifying the meteorological data of the initial value of the numerical analysis for the meteorological phenomenon acquired by the meteorological data acquisition unit and / or the meteorological data of the prediction result of the meteorological numerical prediction into a plurality of the patterns. Analytical device.
前記予測結果の劣度は、前記気象数値予測の誤差であり、
前記気象現象の前記数値解析の前記初期値の前記気象場の各前記パターンのデータ、及び／又は、予測された前記気象場の各前記パターンのデータから、前記予測結果の劣度を推定する気象解析劣度推定部と、
推定した前記予測結果の劣度と、気象データとに基づいて、電力需要を予測する電力需要予測部と
を備えることを特徴とする数値解析装置。 The numerical analysis apparatus according to claim 4.
The inferiority of the prediction result is an error of the meteorological numerical prediction.
Meteorology that estimates the inferiority of the prediction result from the data of each pattern of the meteorological field of the initial value of the numerical analysis of the meteorological phenomenon and / or the data of each pattern of the predicted meteorological field . Analysis inferiority estimation unit and
A numerical analysis device including a power demand forecasting unit that predicts power demand based on the inferiority of the estimated prediction result and meteorological data.
前記気象現象の前記数値解析の前記初期値の前記気象場の気象データ、及び／又は、予測された前記気象場の気象データの各前記パターンのデータから、前記気象数値予測の誤差である劣度を推定する気象解析劣度推定部と、
推定した前記劣度に基づいて、前記初期値の気象データを修正する初期値インクリメント処理部と、
修正した前記初期値に基づいて前記気象場の気象現象を再解析する気象再解析処理部と
を備えることを特徴とする数値解析装置。 The numerical analysis apparatus according to claim 4.
From the meteorological data of the meteorological field at the initial value of the numerical analysis of the meteorological phenomenon and / or the data of each of the patterns of the predicted meteorological data of the meteorological field , the inferiority which is the error of the meteorological numerical prediction. Meteorological analysis inferiority estimation unit that estimates
An initial value increment processing unit that corrects the initial value meteorological data based on the estimated inferiority, and
A numerical analysis device including a meteorological reanalysis processing unit that reanalyzes meteorological phenomena in the meteorological field based on the corrected initial values .
前記数値解析の初期値の気象場のパターン、及び／又は、予測された前記気象場のパターンを複数のパターンに分類する第１のステップと、
分類した各前記気象場のパターン及び／又は予測された前記気象場のパターンと前記気象数値予測の予測結果の劣度との関係を前記パターンごとにそれぞれ検出する第２のステップと、
現在の前記気象場の前記パターンに対する前記検出部の検出結果に基づいて、前記気象数値予測の劣度を推定する第３のステップと
を備えることを特徴とする数値解析方法。 It is a numerical analysis method executed in a numerical analyzer that predicts meteorological values.
The first step of classifying the weather field pattern of the initial value of the numerical analysis and / or the predicted weather field pattern into a plurality of patterns, and
A second step of detecting the relationship between each classified pattern of the meteorological field and / or the predicted pattern of the meteorological field and the inferiority of the prediction result of the numerical meteorological prediction for each pattern, and
A numerical analysis method comprising a third step of estimating the inferiority of the meteorological numerical prediction based on the detection result of the detection unit with respect to the pattern of the current meteorological field .
前記気象数値予測の対象とする系の状態に関する第１の予測の結果の劣度のデータと、前記気象数値予測の対象とする系の状態に関する予測の結果に基づいた第２の予測の結果の劣度のデータとの少なくとも一方を表示する第４のステップを備える
ことを特徴とする数値解析方法。 The numerical analysis method of claim 7.
The inferiority data of the result of the first prediction regarding the state of the system to be the target of the meteorological numerical prediction and the result of the second prediction based on the result of the prediction regarding the state of the system to be the target of the meteorological numerical prediction. A numerical analysis method comprising a fourth step of displaying at least one of the inferior data.
前記第２のステップにおいて、前記数値解析装置は、
前記数値解析の前記初期値のデータの各前記パターンのデータ、前記気象数値予測の予測結果の各前記パターンのデータ、及び、前記パターンごとの前記気象数値予測の予測結果の劣度のデータのうちの少なくとも１つのデータに基づいて前記第２の予測を行い、並びに／又は、前記初期値のデータの各前記パターンのデータ、前記気象数値予測の予測結果の各前記パターンのデータ、前記パターンごとの前記気象数値予測の予測結果の劣度のデータ、及び、前記第２の予測に含まれる前記劣度のデータのうちの少なくとも１つに基づいて、予測が外れた場合に備えて確保しておくべき準備量を推定する
ことを特徴とする数値解析方法。 The numerical analysis method of claim 8.
In the second step , the numerical analyzer
Of the data of each pattern of the initial value data of the numerical analysis, the data of each pattern of the prediction result of the meteorological numerical prediction, and the inferiority data of the prediction result of the meteorological numerical prediction for each pattern. The second prediction is performed based on at least one data of the above, and / or the data of each of the above-mentioned pattern of the data of the initial value , the data of each of the above-mentioned patterns of the prediction result of the numerical weather numerical prediction, and each of the above-mentioned patterns. Based on the inferiority data of the prediction result of the meteorological numerical prediction and at least one of the inferiority data included in the second prediction, it is reserved in case the prediction is wrong. A numerical analysis method characterized by estimating the amount of reserves to be prepared.
前記予測対象は、気象現象であり、
前記第１のステップにおいて、前記数値解析装置は、
前記気象現象に対する前記数値解析の前記初期値の気象データと、前記気象数値予測の予測結果の気象データとの少なくとも一方を取得し、
前記第２のステップにおいて、前記数値解析装置は、
取得した前記気象現象に対する前記数値解析の前記初期値の気象データ及び／又は前記気象数値予測の予測結果の気象データを複数の前記パターンに分類する
ことを特徴とする数値解析方法。 The numerical analysis method of claim 7.
The prediction target is a meteorological phenomenon.
In the first step , the numerical analyzer
At least one of the initial value meteorological data of the numerical analysis for the meteorological phenomenon and the meteorological data of the prediction result of the meteorological numerical prediction is acquired.
In the second step, the numerical analyzer
A numerical analysis method for classifying the acquired meteorological data of the initial value of the numerical analysis for the meteorological phenomenon and / or the meteorological data of the prediction result of the meteorological numerical prediction into a plurality of the patterns.
前記予測結果の劣度は、気象数値解析の時間発展である気象数値予測の誤差であり、
前記第２のステップにおいて、前記数値解析装置は、
前記気象現象の前記数値解析の前記初期値の前記気象場の各前記パターンのデータ、及び／又は、予測された前記気象場の各前記パターンのデータから、前記予測結果の劣度を推定し、
推定した前記予測結果の劣度と、気象数値データとに基づいて、電力需要を予測する
ことを特徴とする数値解析方法。 The numerical analysis method of claim 10.
The inferiority of the prediction result is an error of the meteorological numerical prediction, which is the time evolution of the meteorological numerical analysis.
In the second step , the numerical analyzer
The inferiority of the prediction result is estimated from the data of each of the patterns of the meteorological field of the initial value of the numerical analysis of the meteorological phenomenon and / or the data of each of the patterns of the predicted meteorological field .
A numerical analysis method characterized by predicting power demand based on the inferiority of the estimated prediction result and meteorological numerical data.
前記第２のステップにおいて、前記数値解析装置は、
前記気象現象の前記数値解析の前記初期値の前記気象場の気象データ、及び／又は、予測された前記気象場の気象データの各前記パターンのデータから、前記気象数値予測の誤差である劣度を推定し、
推定した前記劣度に基づいて、前記初期値の気象データを修正し、
修正した前記初期値に基づいて前記気象場の気象現象を再解析する
ことを特徴とする数値解析方法。 The numerical analysis method of claim 10.
In the second step , the numerical analyzer
From the meteorological data of the meteorological field of the initial value of the numerical analysis of the meteorological phenomenon and / or the data of each of the patterns of the predicted meteorological data of the meteorological field , the inferiority which is the error of the meteorological numerical prediction. Estimate and
Based on the estimated inferiority, the initial weather data is modified.
A numerical analysis method characterized by reanalyzing the meteorological phenomenon of the meteorological field based on the corrected initial value .
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018215805A JP7104609B2 (en) | 2018-11-16 | 2018-11-16 | Numerical analyzer and method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018215805A JP7104609B2 (en) | 2018-11-16 | 2018-11-16 | Numerical analyzer and method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2020086595A JP2020086595A (en) | 2020-06-04 |
| JP7104609B2 true JP7104609B2 (en) | 2022-07-21 |
Family
ID=70908046
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018215805A Active JP7104609B2 (en) | 2018-11-16 | 2018-11-16 | Numerical analyzer and method |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7104609B2 (en) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2022175081A (en) * | 2021-05-12 | 2022-11-25 | 株式会社日立製作所 | Analysis device and program |
| JP7431377B1 (en) | 2023-08-29 | 2024-02-14 | 株式会社日立パワーソリューションズ | Wind condition observation equipment placement support device and wind condition observation equipment placement support method |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006092058A (en) | 2004-09-22 | 2006-04-06 | Fuji Electric Systems Co Ltd | Flow rate estimation device |
| JP2016038348A (en) | 2014-08-11 | 2016-03-22 | 富士通株式会社 | Plan formulation method, plan formulation system and plan formulation program |
| JP2016093016A (en) | 2014-11-06 | 2016-05-23 | 富士電機株式会社 | Operation plan generating device, operation plan generation device and program |
| JP2017220980A (en) | 2016-06-03 | 2017-12-14 | 一般財団法人電力中央研究所 | Prediction apparatus, prediction method and prediction program |
| JP2018031683A (en) | 2016-08-25 | 2018-03-01 | 国立研究開発法人防災科学技術研究所 | Objective analysis device of meteorological field and objective analysis method of meteorological field |
| CN108828691A (en) | 2018-04-18 | 2018-11-16 | 青岛心中有数科技有限公司 | It is short to face precipitation forecast method and device |
-
2018
- 2018-11-16 JP JP2018215805A patent/JP7104609B2/en active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006092058A (en) | 2004-09-22 | 2006-04-06 | Fuji Electric Systems Co Ltd | Flow rate estimation device |
| JP2016038348A (en) | 2014-08-11 | 2016-03-22 | 富士通株式会社 | Plan formulation method, plan formulation system and plan formulation program |
| JP2016093016A (en) | 2014-11-06 | 2016-05-23 | 富士電機株式会社 | Operation plan generating device, operation plan generation device and program |
| JP2017220980A (en) | 2016-06-03 | 2017-12-14 | 一般財団法人電力中央研究所 | Prediction apparatus, prediction method and prediction program |
| JP2018031683A (en) | 2016-08-25 | 2018-03-01 | 国立研究開発法人防災科学技術研究所 | Objective analysis device of meteorological field and objective analysis method of meteorological field |
| CN108828691A (en) | 2018-04-18 | 2018-11-16 | 青岛心中有数科技有限公司 | It is short to face precipitation forecast method and device |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2020086595A (en) | 2020-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7104561B2 (en) | Energy operation equipment and methods and systems | |
| Jain et al. | Data-driven model predictive control with regression trees—an application to building energy management | |
| Quan et al. | Urban data and building energy modeling: A GIS-based urban building energy modeling system using the urban-EPC engine | |
| Monfet et al. | Development of an energy prediction tool for commercial buildings using case-based reasoning | |
| US20170317495A1 (en) | Forecasting net load in a distributed utility grid | |
| Carneiro et al. | Review on photovoltaic power and solar resource forecasting: current status and trends | |
| Kim | Building demand-side control using thermal energy storage under uncertainty: An adaptive Multiple Model-based Predictive Control (MMPC) approach | |
| US11070058B2 (en) | Forecasting net load in a distributed utility grid | |
| Kim | An evaluation of robust controls for passive building thermal mass and mechanical thermal energy storage under uncertainty | |
| Schwarz et al. | Two-stage stochastic, large-scale optimization of a decentralized energy system: a case study focusing on solar PV, heat pumps and storage in a residential quarter | |
| US20180248370A1 (en) | Methods and systems for energy use normalization and forecasting | |
| Villa | Institutional heat wave analysis by building energy modeling fleet and meter data | |
| Liebman-Pelaez et al. | Validation of a building energy model of a hydroponic container farm and its application in urban design | |
| JP7104609B2 (en) | Numerical analyzer and method | |
| Makarov et al. | Integration of uncertainty information into power system operations | |
| Zhang et al. | Development of an ambient air temperature prediction model | |
| Tosun et al. | Solar power generation analysis and forecasting real-world data using LSTM and autoregressive CNN | |
| WO2022168357A1 (en) | System for managing power generation amount and method for managing power generation amount | |
| Romero et al. | Short-term active power forecasting of a photovoltaic power plant using an artificial neural network | |
| Vogt et al. | Synthetic Photovoltaic and Wind Power Forecasting Data | |
| TW201740296A (en) | Method and system for predicting power generation capacity of renewable energy using a neural network to accurately calculate the power generation capacity of renewable energy | |
| Dang et al. | Hybrid forecasting model of power demand based on three-stage synthesis and stochastically self-adapting mechanism | |
| Fara et al. | New results in forecasting of photovoltaic systems output based on solar radiation forecasting | |
| Bryce et al. | Solar pv, wind generation, and load forecasting dataset for ercot 2018: Performance-based energy resource feedback, optimization, and risk management (perform) | |
| Savadkoohi et al. | Facilitating the implementation of neural network-based predictive control to optimize building heating operation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20191011 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210519 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220310 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220315 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20220511 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220602 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220621 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220708 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7104609 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |